跨模态检索问题指的是给定某一形式的数据,在另一形式的数据中检索到与其语义相似的样本,例如在常用搜索引擎如百度、谷歌等中,用户可以输入文字来检索相关的网页、图像或视频等。本文主要关注于基于单张图像的三维物体模型检索问题,即给定一张包含了三维物体内容的图像,从三维模型数据库中检索到与图像所包含物体形状相似的模型。现有的大多数相关工作关注于在数据库中检索到与图像属于相同语义类别的物体,不论具体形状是否相似,而我们希望能够检索到具体形状相似的物体。对于这一问题,我们提出了一种新颖且有效的基于三维混合表达的联合嵌入方法,用于从三维模型数据库中检索到与图像所包含物体形状相似的模型。我们所提出的基于深度学习的方法包含两个训练阶段,在第一阶段,我们基于三维物体的八叉树与多视图这两种不同的表达形式,通过深度度量学习获得预训练的3D特征空间,该空间仅与三维模型的几何形状相关,不会受到真实图像中的背景、颜色、纹理等干扰因素的影响,在真实图像与三维模型标注训练数据不充分时具有明显优势;在第二阶段,为了弥补图像与三维模型的语义鸿沟,我们引入特征变换层对预训练所得三维空间进行调整,以及图像编码器编码图像,再次使用深度度量学习方法将预训练的三维特征与真实图像联合嵌入到一个联合特征空间中。在测试阶段,三维模型数据库中的每个模型都将被表达为八叉树与多视图,输入到第一阶段的编码器与第二阶段的三维变换层中,最终得到三维数据特征空间,而给定的真实图像查询将直接通过第二阶段的图像编码器获取特征,然后在三维特征数据库中通过最近邻搜索得到与其相似的三维模型。我们方法的第一阶段利用了三维混合表达,比使用单一表达获得了更具有分辨力的三维预训练空间,更加有利于第二阶段三维特征与真实图像的联合嵌入。我们在常用数据集ObjectNet3D、Pascal3D+以及一个手工标定的椅子测试集上进行了检索实验,验证了我们两阶段联合嵌入方法的有效性。数值结果显示我们方法从单张图像检索三维模型的准确率超过现有的最先进的方法,并且由于训练时间成本较低,更有利于未来扩展到大型数据集上。