随着3D传感和数字化设计技术的发展,在企业的数据库和互联网中已经存在大量的三维模型。为高效地组织和重用已有的三维模型,需要自动识别模型的类别并能在数据库中检索出相似的三维模型。本文借鉴深度学习方法在机器视觉领域所取得的突破性进展,研究基于深度学习的三维模型识别与检索。分析了三维模型的识别方法,选用基于点云数据的三维模型识别方法,同时研究了识别点云数据的深度神经网络原理及结构。本文使用Python语言在TensorFlow平台上构建了PointNet网络模型,用已标记好的点云数据集ModelNet40训练模型,针对PointNet采用的批归一化方法受限于批次大小的问题,提出了基于组归一化的改进PointNet网络模型。实验表明,在批次大小大于16时组归一化与批归一化都有效提升了模型的收敛速度和准确率,但在批次较小时组归一化方法更为有效。为从三维模型生成点云模型,研究了三维模型表面均匀采样算法,算法首先以面积大小为概率选定一个三角面片,然后在面片中等位置概率地采样出一个三维点,如此循环直至采样出点数固定的三维点云模型。实验证明,该算法能有效地采样出了点位置分布均匀且点数固定的三维点云模型。研究了基于点云表面采样的三维模型识别算法,将采样出的点云模型经规范化处理后输入到训练好的神经网络中,进行前向传播计算出三维模型的预测类别。使用C++和QT编程实现了端到端的三维模型识别程序,验证了本文算法的可行性。研究了基于深度神经网络特征相似性的三维模型检索算法。算法首先基于PointNet网络提取三维模型的特征,运用非线性投影分析特征有效性,然后通过比较之后选用皮尔逊相关系数衡量特征的相似性。最后设计实现了三维模型检索程序,实现针对ModelNet40测试数据集的三维模型检索。实验证明,检索结果与被检模型具有较高的相似度。