近年来,三维物体识别技术发展迅速,在汽车自动驾驶、机器人抓取、电子商务、外观专利检索等领域中得到了广泛应用。相较于基于体素信息、点云信息的三维物体识别技术,基于多视角图像的三维物体识别技术依靠高分辨率的二维图像以及较成熟的图像处理技术,取得了较好的识别性能,受到广泛的关注,已成为三维物体识别技术的研究热点。虽然基于多视角图像的三维物体识别技术取得了较大进展,但是仍然面临着一些问题。一方面,现有的基于多视角图像的无监督三维物体识别网络框架一般依靠生成模型的重构能力来实现无监督特征学习,而此类方法普遍存在网络复杂度过高,训练困难的问题。另一方面,有监督的方法通常只考虑三维物体的类别标签,忽略了视角这一重要信息,导致网络学习到的特征对视角的鲁棒性较差。本论文针对上述两个问题,分别从减少复杂度和提高准确度这两方面,基于对比学习和多标签学习,研究了视角无关特征解离方法,通过特征解离来获取对视角更为鲁棒的三维物体本征信息,从而提高三维物体识别的准确度。本文主要研究内容概括如下:（1）研究了三维物体识别相关理论与技术。对三维物体识别技术用到的深度学习网络框架进行了研究,分别研究了Alex Net,VGG,Res Net这三种网络。研究了对比学习相关知识。研究了二元相关性多标签学习方法的基本原理。这些三维物体识别基本理论与技术为研究三维物体视角无关特征的提取方法打下了较好的基础。（2）提出了基于对比学习的视角无关特征解离方法。本论文将自监督对比学习用于多视角图像表示学习,创新性地将多视角图像特征分为视角特征与视角无关特征两部分,通过使用本方法设计的自监督对比损失进行网络训练,使网络能够将三维物体的特征解离为视角特征和视角无关特征。实验表明,本方法能够以一个简单的框架进行三维物体视角无关特征的提取,提取到的视角无关特征有助于提升三维物体识别的准确度。（3）提出了基于多标签学习的视角无关特征解离方法。针对现有有监督三维物体识别网络缺乏视角标签的问题,提出了基于多标签学习的视角无关特征解离方法。首先运用特征交换融合的方式,将视角编码器得到的特征和身份编码器得到的特征进行交叉融合,使用视角标签与类别标签同时对网络进行训练,约束视角编码器和身份编码器分别编码视角特征与视角无关特征。实验表明,通过本方法得到的视角无关特征增加了的三维物体识别准确度。