随着三维建模技术的不断提高和虚拟现实技术的深入发展,三维技术已经逐渐成为各个研究领域的新宠儿。在网络上,涌现了海量的三维模型,各种三维搜索引擎也相继问世。由于三维模型的复杂性,基于内容的三维检索较二维图像检索具有更高的复杂性。随着三维模型特征维数的不断提高,各种降维技术和高维索引技术也被提出,但是都只是提出了解决的新的思路,目前并没有一种完美的降维技术和索引技术能够满足需求。为了在海量的三维模型中实现快速检索,本文在传统的层次聚类算法上提出了一种新的快速检索方法一邻域检索算法,聚类方法描述如下:　　 首先提取三维模型的深度图像特征并将特征值存入数据库:其次利用改进的层次聚类算法对特征值进行聚类并计算聚类中心,将聚类中心保存在数据库中；之后计算每个三维模型内容特征与其所在聚类的聚类中心的距离,将模型所在聚类的聚类标识和计算的与聚类中心的距离保存到数据库中。　　 查询时计算待查询模型特征与各个聚类中心的距离并按照升序排序,然后在每个聚类里面进行检索,在某个聚类内部,搜索数据库中所在聚类的标识属于该聚类并且存储的与所在聚类的聚类中心的距离位于待检索模型与该聚类聚类中心距离邻域范围的模型作为第一次检索结果,循环所有聚类后,计算待检索模型的特征和所有的第一次检索结果模型的特征,并选择与待检索模型最近的几个模型返回给用户作为最终检索结果。　　 在该方法中,聚类后将每个模型特征与其所在聚类中心的一维距离作为其索引,避免了高维索引技术中维数过高而引起的交叉和覆盖问题,又根据模型所在的聚类标识和模型与所在聚类的聚类中心的距离值这两个属性过滤了大部分与待检索模型不相近的模型,大大节省了时间,最后将第一次检索结果的所有模型的特征与待检索模型特征比较,选择最近的模型返回给用户又更进一步保证检索质量。实验结果表明,该方法在保证检索质量的基础上大大提高了检索速度。