随着三维扫描、建模和计算机视觉技术的不断发展,三维模型已经成为一种新型的多媒体数据类型,在娱乐、医学、工业等领域得到了广泛应用。如何对这些三维模型进行有效的检索和重用,已经成为各行各业和学者迫切关注的问题和研究焦点。传统的三维模型分类方法主要基于人工设计的特征描述符实现分类和检索。由于三维模型复杂度和数量的不断增长,这类方法难以客观、合理捕捉模型的本质特征,一定程度上影响了以此为基础的分类和检索准确率。深度学习能够自动学习复杂数据的多抽象层表示,在图像识别、语音识别等诸多应用中取得了显著效果,这为三维模型的有效分类提供了一个新的途径。针对传统三维模型分类方法存在的缺陷,本文利用深度学习提出基于多局部显著视图的三维模型分类算法。主要工作包括以下几个方面:(1)提出三维模型多局部显著视图的表征模型,设计并实现自动多局部显著视图集的构建方法,使获取到的多局部显著视图集既符合深度学习模型的输入数据类型,又可以很好的表征原始三维模型。(2)提出面向多局部显著视图表征的集成卷积神经网络模型。以多局部显著视图表征为输入,通过CaffeNet实现各局部视图的特征提取,通过投票集成策略完成三维的分类,以确保网络的学习能力和分类能力。(3)基于以上工作,设计并实现相关算法,在ModelNet10和ModelNet40上的分类准确率分别为94.5%和88.625%,验证了本文分类算法的可行性和有效性。