三维物体语义理解和旋转不变性特征研究一直是解决许多实际应用的关键性问题。由于现实场景中三维模型所处方位往往不确定,语义分析算法在实际当中的应用面临诸多挑战。同时,语义定义的模糊性导致很难有一个定义的标准能够符合所有人的认知,因此现有的语义相关数据集以及算法存在一定的局限。但是人对于不同物体之间的语义对应关系存在一定的共识,利用对应关系可以一定程度上避免语义定义带来的歧义,从而可以从一个全新的角度促进三维物体语义理解。综合以上现阶段研究所面临的问题与挑战,在不确定旋转条件下的物体细粒度匹配研究任务具有一定的研究价值。本文旨在研究适应旋转变化的物体细粒度语义匹配算法的设计,并探索其在不同物体语义分析应用中的拓展。主要研究成果如下:1.针对三维物体在现实场景当中旋转角度不确定,研究在单位球形空间当中利用球形体素卷积来逐层提取旋转不变性特征,并利用点云重建模块将点云从球形信号当中重建出来,有效地保证了深度学习网络提取出逐点的旋转不变特征。2.针对三维物体细粒度语义匹配的问题,设计了测地距离一致损失函数指导的训练算法来促使深度神经网络能够根据物体对应关系数据集学习得到具有语义代表性的特征,同时不同点之间又具有足够的区分度,有效地找到了物体之间的细粒度语义对应关系。3.针对匹配任务需求,设计了平均测地距离误差评价指标来衡量三维模型匹配任务的性能优劣。最后还展示了算法提取得到的语义特征在不同三维语义分析任务上的应用。