三维CAD模型的设计一直都是制造业产业对产品的精准度把控的最基本环节,同时也是对产品是否满足生产要求的基本考量。为了重复利用在工业数据库中堆积的大量三维CAD模型,对其实现有效聚类成为了近年来研究的焦点,其中,增强CAD模型的表达能力至关重要。针对现有的三维CAD模型局部区域的表达方法仍然存在区别度不高的问题,提出融合边属性信息的局部区域表达方法,该方法统计了模型中面与面间的相交边类型属性信息形成特征向量,作为又一重要属性特征融合到传统的局部描述符当中,以使得模型的局部区域间区别能力增强。针对三维CAD模型整体表达方法在进行聚类阶段时,未能按照模型中各局部区域的重要程度不同进行相似度计算,提出基于局部区域加权的三维CAD模型表达方法,该方法在模型重组时对一些罕见、区别能力强的局部区域给予较大权重,对常见局部区域赋予较小权重。实验结果表明,该表达方法在四种典型聚类算法上所得到的NMI值与V-measure值均有所提升,模型的正确聚类数量得以提高。针对传统的模型表达方法由于人工定义特征规则复杂度高、以及繁琐的流程导致关键信息的损失问题,提出采用基于深度神经网络的方法来对CAD模型进行关键特征的学习与表达,该方法采用卷积神经网络并结合自编码器来对三维CAD模型进行表示学习,将训练后得到的中间隐层特征向量作为该模型的唯一表达。从最终的聚类结果上看,依据该方法对模型进行表达对比baseline方法得到的NMI值、V-measure值均有提升,聚类结果可满足工程设计人员要求。