多视图是计算机视觉研究的主要对象,且内容丰富,常作为传递信息的载体。随着当下生活人工智能化的发展,基于视图形式的三维物体识别技术在很多领域都有了广泛应用,特别是在自动驾驶、医学图像分析等领域。在对物体特征信息的描述问题上,与单一视图相比,多视图可以在物体特征信息上相互补充。物体识别技术中特征提取是计算机处理识别物体的前提,如何建立优化的特征提取算法,得到更为精确、完整的物体特征信息成为计算机物体识别领域的研究热点。本文旨在解决现有方法中的问题,为有效考虑物体的整体信息、完成相关的特征提取和分类识别工作,设计了Canny算法提取物体特征稀疏表示化的识别方法以及注意力机制增强深度网络提取物体有效特征的识别方法,完成相关的实验,本文主要的研究工作如下:首先针对人工特征提取手段表征性低、程序计算量高的不足,设计了一种基于稀疏字典表示的物体识别算法,通过在虚拟摄像机的不同角度下获取一组关于物体的二维图像,鉴于经典Canny算法在提取一组图像边缘轮廓特征时存在丢失边缘特征信息的情况,为了解决该问题,本文对算法进行了改善,使其能够尽可能多地提取一组物体边缘特征信息,对初步提取的物体特征向量进行学习,在实现了对物体特征信息完整表示的同时,也可以得到对物体特征向量的稀疏化表示,稀疏表示的使用会大大减少分类识别时间。其次针对VGG模型的特点和原网络结构的不足,设计了一种基于深度学习特征的物体识别算法,通过同样的方式采集一组视图,为了捕捉相邻视图间的联系以及权重值,加入注意力（Attention）模块到网络卷积之中,该模块充分地考虑到视图的关键特征区域,可以很好地将物体关键局部特征和全部特征聚焦、显示出来,这样卷积神经网络在提取物体特征时能够较多地保留物体的有效信息,之后在融合层完成它们的特征级融合。利用该优质的物体特征训练得到优质的网络模型,后面又增加了稀疏表示分类器在测试集进行测试分类。最后,为了对我们设计的方法进行评估,实验部分选取了三维物体常见数据集进行验证,相对应的识别正确率为90.19%和94.25%。实验结果表明我们设计的两个方法在三维物体识别任务中取得了不错的结果,证明了本文识别算法在一定程度上具有鲁棒性和先进性。