随着三维扫描和建模技术的发展和成熟,已有大量的三维模型数据。然而,已存在的三维模型通常是复杂多样的,如何高效地在三维模型数据库中检索到需要的模型越来越受到研究者们的关注。与其它三维模型检索技术相比,草图既方便又直观,为用户检索模型提供了一种非常便捷的交互方式。然而,草图和三维模型来自两种不同的模态,视觉形状有明显的差异,这导致直接使用草图来检索三维模型存在一定的困难。目前已存在的方法主要关注于草图和三维模型特征不匹配,减少域之间的差异。但是,对于检索任务来说不仅要检索到正确的三维模型类别,而且要使检索到的三维模型与用户输入的查询草图在视觉上是高度相似的,也就是实例级别的检索。为了解决基于草图来检索三维模型方法中存在的问题和挑战,本文结合深度学习和度量学习技术,提出了一种基于序列化学习的三维模型检索方法,有序地解决基于草图检索三维模型特征差异大,检索结果视觉不相似的问题。主要的工作有以下几点:(1)提出了一种新颖的三维模型草图检索框架。该框架主要包含两部分:三维模型判别性表示学习阶段,获得鲁棒的三维模型表示和草图与三维模型相关性学习阶段,让同类别的草图和三维模型尽可能地接近。(2)提出了一种高效的度量学习方法。针对现有的度量学习方法难以充分利用训练样本的缺点,本文提出了不需要构造正负样本对和困难样本挖掘的,同时学习类间相对关系和类内绝对关系的度量学习损失函数。(3)设计了一种用于草图和三维模型相关性学习的度量方式。选择与草图高度相似的三维模型类别进行度量,减小特征间的差异,达到跨域匹配的目的。(4)结合本文所提出的三维模型草图检索算法设计了一个简单的基于草图的三维模型检索系统。基于以上的研究方案,我们选择在SHREC 2013、SHREC 2014和SHREC 2016基准数据集上进行实验。实验结果表明,本文的实验效果比已有方法的结果相比在评测指标上有明显的提升,证明了本文提出的方法的有效性。