随着科学技术的发展，逆向工程在机械产品设计和制造中得到了广泛的应用。从激光点云获取的三维数字几何网格模型需要实体重构、特征识别和特征编辑等几何特征处理才能有效地使用。复杂网格模型的特征智能识别是逆向工程领域的一个重要发展方向，特征识别的基础是特征边界线的识别和提取，是复杂三角网格模型后续应用的基础，因此如何高效的提取三角网格模型的特征边线具有重要研究意义。　　传统特征边线提取采用单一阈值和判定规则很难识别并提取出符合实际要求的特征边。通过对特征边界线的几何特征的深入分析，基于机器学习的方法，提出和实现一个基于学习的三角网格模型特征边提取方法。该方法将特征边界线提取形式化为三角边的分类问题；分析和构建了一个由三角边两面角、边顶点邻域曲率及形状直径等特征组成的17维特征向量；通过人工标注获取特征向量训练数据集，训练通用BP-AdaBoost分类器，获得能够识别特征边界线的分类器；对待识别的三角网格模型进行特征边识别。经过实例验证，识别结果符合预期。其次，对识别结果进行处理生成初始特征线，在对初始特征线进行剪切和光顺，然后使用网格边权重连接法进行特征线闭合，并选择主轮廓模型连接法对特征线进行优化得到特征线。最后，把本文所得特征线和软件所得特征线进行对比分析。经实例测试，验证了本文提出方法的可行性和有效性。　　本文算法中三角网格模型的几何特征计算、训练样本构建和识别结果处理是在Visual C++软件开发平台和Matlab平台上进行编程实现的。该项工作为模型重构和设计特征编辑奠定了基础。