随着人工智能技术的发展,三维形状的特征提取技术被广泛应用于自动驾驶、机器人导航和增强现实/虚拟现实等领域,该技术的难点是提取具有变换不变性和显著辨别力的三维模型内容特征。当前由于研究对象、数据编码方式的不同以及三维形状的变换,尤其是非刚体包含十二种非刚性变换,使得三维形状的特征描述、分类和检索更加复杂,也面临更多的难题。本文从非刚性三维形状的特征编码嵌入、深度特征提取、深度特征融合等方面进行研究,结合深度学习理论,首先提出基于视图和点云数据编码的深度特征提取方法,然后研究特征融合算法,最后构建一个非刚性三维形状的分类与检索系统原型。本文的主要研究内容如下:（1）设计了一种基于多分支卷积神经网络的编码视图深度特征提取方法。首先,以多视图作为输入,提取三维形状在二维拍照视图表达上的姿态骨架信息,再把骨架信息嵌入到视图中,生成多视点骨架特征编码的视图序列,这类视图包含了模型结构的全局信息。其次,构建多分支卷积神经网络,结合最大池化,融合多视点视图序列的骨架特征嵌入信息,能增加信息含量并对特征进行重用;同时减少网络连接参数,加快网络的训练优化。最后,获取三维形状基于骨架特征嵌入的编码视图深度特征。（2）设计了一种基于多分支图卷积神经网络的编码点云深度特征提取方法。首先,设计多时间节点序列下热核特征嵌入的编码点云的生成方法,时间选取上采用经验值加越界判别机制,生成的点云能更全面地反映模型局部结构关系与全局结构信息。其次,构建多分支图卷积神经网络,结合最大池化,融合多时间节点序列的编码点云。最后,获取三维形状基于热核特征的编码点云深度特征。（3）构建了一种基于三维多特征融合卷积神经网络的多特征融合框架。首先,基于点云、视图之间的相关性构建相关性评分模块。其次,基于点-单视图模块提取点云特征和每个单一视图特征的融合关系特征。最后,结合点-单视图融合特征,获取三维形状深度融合特征。本文的研究成果可应用于三维模型的分类与检索应用领域,如大规模玩具三维模型的形状检索、家具三维模型的分类与检索、扫描点云的检索、扫描场景零部件的检索等,该研究能有效地支持三维模型库的分类、管理和检索,大大减少新产品的设计开发周期,助力中国制造业产业升级。