三维模型的数量日渐增多,然而手动标注三维模型需要占用额外的人力资源,效率较低。基于人工设计特征的三维模型识别精度较低。虽然卷积网络在图像分类和目标检测等各种视觉应用中有良好的表现,但大量池化层的引入会导致特征空间信息丢失。而胶囊网络(Capsnet)通过向量神经元保存特征的空间属性,对模型的变化具有更好的鲁棒性,因此可将胶囊网络应用于三维模型识别中来学习三维模型的特征信息。本文主要研究内容如下:(1)在三维模型识别任务中,针对池化层数量过多导致特征空间信息丢失的问题,依据胶囊网络的特性,提出了一种用以识别三维模型的3DSPNCapsNet(3D Small Pooling No dense Capsule Networks)网络模型。首先,将三维模型体素化为可以输入网络的数据类型;其次,使用新的网络结构提取更具代表性的特征;最后,提出基于动态路由算法(dynamic routing algorithm,DR)的DRL(dynamic routing-based algorithmwith length information)算法,优化胶囊权重的迭代计算过程。在Model Net10上进行实验,相比3DCapsNet以及Voxnet,该方法取得了更好的识别效果,在原始测试集的平均识别准确率达到95%。(2)在对三维模型的旋转识别任务中,为了验证胶囊网络对特征的空间位置角度变换的识别能力,首先对三维模型先旋转,再体素化,来扩充不同旋转角度的训练集,增加网络学习的旋转信息,同时对测试集也进行旋转扩充;其次,对各个角度体素化旋转模型进行可视化,证明旋转的有效性;最后,使用几个算法在不同旋转角度的旋转训练集上训练,在所有旋转角度的旋转测试集上测试。实验结果表明3DSPNCapsNet对未旋转模型的识别率达到96%,其他各角度旋转模型的平均识别率分别达到81%,对三维模型及其旋转具有良好的识别能力。