近年来,由于三维模型技术飞速发展,三维模型流通数量急速增长,在虚拟仿真、VR游戏、增强现实等方面的应用日益增加。其中,现有的许多非刚性形状都存在较复杂的变化性,因此,在逐点对应时难以得到可靠的结果。作为三维模型处理的核心技术和难点,形状匹配得到越来越多学者的关注。而随着神经网络的普及,基于深度学习的形状匹配方法成为研究趋势和热点。它能从三维形状中充分学习到内蕴的几何特征描述,并根据目标函数自动提取有利的特征信息。为提高三维形状匹配的准确率和可靠性,本文以学习到鲁棒的特征描述符为重点,提出了两种具有低误差和高泛化能力的三维非刚性形状匹配网络,主要研究内容如下:针对传统卷积神经网络在提取非刚性形状描述符时缺少对方向、位置等具体信息的差异敏感性的问题,提出共享残差胶囊网络学习形状的特征描述符并计算得到对应关系。首先,本文由SGDW算法公式以前馈型网络为基础推导出优化的残差结构,作为学习增强的主胶囊的特征提取网络,然后通过处理三维特征的动态路由算法得到具有更高级特征的潜在胶囊,再输入解码器以学习具有高表达力的点特征,最后提出作用在域映射（domain mapping）上的损失函数以减少计算量。针对普遍描述符存在的对于不同离散化的缺乏概括性问题,提出一种基于局部和全局特征融合的共享图卷积胶囊网络结构,利用图神经网络对拓扑连接等的一致性,以及胶囊网络对图特征更好的保留能力,实现对能够反映局部和整体的结构信息的深层特征的学习。另外,提出Sigmoid动态路由算法,以提高潜在胶囊的分类效果。使用MATLAB App Designer平台开发了一款三维形状匹配软件,该软件通过输入一对非刚性三维网格模型,计算目标形状到源形状的对应关系,并提供了形状匹配结果可视化的相关操作。最后,大量在FAUST、SCAPE、TOSCA和KIDS数据集上的实验表明,与其它方法相比,本文提出的网络在三维非刚性形状匹配任务中的误差更低,泛化效果更好,证明了本文方法的有效性。