物理实体的三维表示(包括网格、点云)是人们理解、操作三维对象的基础。对三维对象的形状分析使得计算机能模仿一系列人类的智能行为,这在智能机器人、自动驾驶等领域有着广泛的应用前景。深度神经网络能够对对象的低层次特征进行信息的抽取,学习得到适用于某个具体任务的高层次语义特征。但是,三维几何数据具有不规则的空间结构,这对深度学习在三维形状分析中的应用构成了很大的障碍。最近,深度学习社区越来越关注三维视觉相关应用,一些新的网络框架开始涌现。在三维视觉和形状分析领域,还有许多未被解决的问题,本文尝试使用深度学习技术,对其中两个问题进行了研究。本文主要贡献如下:(1)对于形状的网格表示,本文研究网格的显著性检测问题,使用特征融合的方法检测不同形状网格上的显著性区域。首先对网格计算多种低层次的几何特征,再将多尺度的几何特征输入到多分支一维卷积神经网络中,通过优化带有正则化项的损失函数,实现了良好的检测效果;(2)对于形状的点云表示,本文研究点云形状的分类和分割任务问题,使用改进的点云神经网络来对点云进行分类和部件分割。借助形状的几何结构和拓扑结构,本文设计的神经网络将形状的几何信息和拓扑信息融入到训练学习过程中,提升了分类和分割的效果。