三维模型的数量在近10年间增长迅猛,如何对数量庞大的三维模型进行处理、分析和运用,已经成为研究的热点。有效地重用3D模型可以大大缩短产品开发周期并降低产品设计成本,这就要涉及到三维模型的相似性归类与检索技术。传统的分类方式是人工对三维模型分类,分类结果优劣完全取决于分类者对三维模型的理解和把握能力,存在主观性强的问题。机器学习与传统的分类方法不同,该方法能够让机器自动学习模型目标特征及分类,近年来在图像识别领域有着广泛的应用。二维图像作为模型的直观信息表达,符合人类的视觉感官系统,可以作为机器学习中模型的输入信息。本文结合机器学习和二维图像对三维CAD模型的相似性归类及检索问题进行研究:首先,对三维CAD模型进行二维正等测轴测投影轮廓图的提取以及Hu不变矩、仿射不变矩和小波矩的特征提取;然后,利用隐马尔科夫模型理论知识,采用改进和添加比例因子的多观测序列Baum-Welch算法对模型进行训练和识别;最后,给出模型的分类与检索结果。主要研究工作如下:(1)三维CAD模型的二维正等测轴测投影轮廓图的生成以及不变矩的特征提取二维图像的特征是三维模型的描述信息,特征提取常见的方法是光场描述符,该方法提取到的特征值存在大量的冗余。故本文将三维CAD模型通过坐标变换等预处理,使用正等测投影变换得到三维模型的投影图像,使用Sobel算子对该图像进行边缘轮廓图的提取,从而得到二维的正等测轴测投影轮廓图,将该图作为三维模型的几何结构表达。使用Hu不变矩、仿射不变矩及小波矩的理论知识,对二维的正等测轴测投影轮廓图进行特征提取,将这三种矩、两者之间形成的混合矩以及三者形成的混合矩的特征值分别作为隐马尔科夫模型的输入观测值进行模型的训练与识别。在特征提取方面,利用各种矩的优势,提高了三维CAD模型的分类和检索精度。(2)构建隐马尔科夫模型隐马尔科夫模型具有较强的模式识别和描述能力,本文将添加比例因子的多观测序列Baum-Welch算法运用到隐马尔科夫模型中。该算法由模型训练和模型识别这两部分组成,首先将提取出来的部分模型的特征值作为隐马尔科夫模型的输入观测值进行模型的训练,得到优化模型的分类模式,然后将剩余模型的特征值输入已经训练好的优化模型中进行相似性检验与识别,最后,通过隐马尔科夫模型分类器有效地对每个3D模型进行分类,并获得每个模型的正确类别。通过实验得出基于机器学习理论的隐马尔科夫模型这种模型识别方法,能够较好的解决并实现三维CAD模型的学习问题,其识别率优于传统的基于欧氏距离的相似性判别和分类算法。(3)模型检索性能的评价为了考察检索结果与实际期望相接近的程度,通过查全-查准率曲线将本文所用的特征提取和分类器算法与对比算法进行了分析,得出本文所用的算法可行有效,为CAD模型的相似性归类与检索提供了一种新的思路。