得益于因特网和计算机软硬件技术的高速发展,以及三维建模技术的日渐成熟,相比于文本和二维图像,三维模型不仅更完整地包含了物体自身的信息,同时也体现了模型的空间信息,相邻物体间的相对距离,可以更加生动地展示与人眼更加贴合的三维世界。在此背景之下,三维模型的分类与检索具有重要的商业应用前景。早期的三维模型检索方法是以文本为基础,由于此方法太具有个人主观性难以应用到复杂多变的三维模型上,后来逐渐转变为基于内容的检索。这类方法通常由这两种方法实现:基于模型的检索和基于视图的检索。基于模型的检索直接从三维模型数据中提取特征再在数据库进行检索。但现有技术主要针对整体特征,对于局部检索的功能尚不完备,而且从异类物体检索对象的能力不足,最重要的是直接从三维模型获取特征,对于设备有严格要求。针对上述问题,我们选择基于视图的检索方式。本文重点研究基于卷积神经网络的三维模型检索方法,首先我们提出了一种基于多视点卷积神经网络分类模型。在分类模型中,我们使用多视角二维图片表征一个三维模型,每一个视图各自独立地通过第一个卷积神经网络,所有分支共享相同的卷积神经网络参数。每一个视角图产生一个特征,用View-pooling池化层聚合多视角二维图的特征生成一个简单且高效的三维形状描述子,作为第二个卷积神经网络的真实输入。通过PCA降维排出多余的噪声信息,使得特征更好地代表三维模型,同时提高检索效率。实验证明,课题中提出的方法能够取得较好的分类结果,在分类准确度(accuracy)和检索准确度(mAP)上分别达到91.00%和81.5%。除此方法之外,我们还提出了一种基于多层卷积神经网络进行三维形状检索的方法,具有更全面的信息,其中两个低分辨率路径添加到网络中,能捕获视觉外观并减少图像之间的不变性。实验证明,分类和检索性能进一步提升,在分类准确度(accuracy)和检索准确度(mAP)上分别提升了0.7%和0.6%。