近年来随着3D传感器的普及,人们越来越多地使用更加直观和信息丰富的三维数据,三维模型数据也变得更加复杂和规模庞大,如何有效地从三维模型数据库中检索出目标模型,成为了当下一个研究热点。针对三维模型检索任务,本文选取点云数据作为三维模型的表示形式,设计了基于分类任务和采用Siamese结构的基于特征距离函数以及基于特征差分网络的三种三维模型检索算法。基于分类任务的三维模型检索网络将检索问题转换为分类问题,以分类为目标来训练特征提取网络,将Softmax层输出的类别概率向量作为模型的特征向量,以余弦距离来计算相似度完成检索任务,其原理在于通过类别标签引导不同类别的模型特征向量占据不同的维度方向,使得异类模型特征向量两两垂直,从而降低异类模型间的相似度。基于Siamese结构的三维模型检索网络则不关注模型的具体类别信息,以模型对的形式输入网络,通过余弦距离或者特征差分网络回归模型间的相似度来完成检索。基于Siamese结构的网络在训练过程中以最小化同类模型相似度、最大化异类模型相似度为目标,完成对不同模型的区分,此结构的网络在特征向量维数上的选择更加自由。基于特征距离函数的检索网络在得到特征向量后,使用手工设计的向量距离函数来计算模型间的相似度,基于特征差分网络的检索网络则将输入模型对的特征向量送入特征差分网络,利用深度神经网络来获得相似度,从输入到输出的整个过程完全采用深度学习方法。训练过程中使用切割模型的方法增强训练数据集,一方面为Siamese网络提供更加丰富的异同类对比,另一方面也使得网络能够从“残缺”模型中学习局部特征,避免了设计复杂的局部特征提取结构,解决了多次局部特征提取导致的推理速度缓慢的问题。实验结果表明采用Siamese结构的基于特征距离函数的检索网络性能表现优异,且具有较好的泛化能力。最后本文以基于Siamese网络的三维模型检索算法为核心,设计并实现了一个三维模型检索系统,其包括模型上传、模型检索、模型渲染和模型编辑等功能。