随着3D建模技术的飞速发展,越来越多的3D模型应用于各个领域如工业产品设计,虚拟现实等,在这些领域中3D模型检索变的越来越重要。研究者提出了很多3D模型检索算法,其中基于多视角的3D模型检索算法取得了优越性能,但是对于多视角潜在关联的挖掘还有待提高。同时,随着深度学习的发展,也有研究者将其应用到3D模型检索中,但是目前缺乏对深度学习在3D模型检索中性能的综合评价。基于上述问题,本文首先对深度学习算法在基于多视角的3D模型检索中的性能做了全面评估,同时,分析讨论了多视角潜在关联信息,设计了非局部图神经网络以及成对视角加权图神经网络,本文主要工作如下:(1)深度学习在3D模型检索中的探索。虽然深度学习在语音识别和图像识别等领域取得了巨大成果,也有部分研究者将其应用到3D模型检索中,但是目前缺乏对深度学习在3D模型检索中性能的综合评价,因此本文通过以下方式系统的评估了深度学习在3D模型检索中的性能:1)不同深度学习特征与手工特征的比较;2)深度学习特征鲁棒性的评估;3)多视角深度学习特征评估。通过大规模实验结果表明,在3D模型检索中,深度学习特征的性能明显优于手工设计特征的性能,且深度学习特征具有更好的鲁棒性。此外,多视角深度学习特征具有较低的计算复杂度和较好的性能,具有更好的实用性。(2)基于非局部图神经网络的3D模型检索算法。虽然目前已有研究者使用深度学习算法对多视角图像提取特征,但他们没有考虑到多视角之间的潜在关联或简单串联多视角特征。为了充分利用不同视角之间的空间关系,本文提出了基于非局部图神经网络(NGNN)的3D模型检索方法。该方法利用残差网络作为基础网络,并将非局部图神经网络嵌入到基础网络中,用于学习多视角间的潜在关联,最后通过最大池化来获得高响应的3D形状描述符。在公共数据集的实验结果表明,非局部图神经网络对于多视角潜在关联的挖掘具有非常优越的性能。(3)基于成对视角加权图神经网络的3D模型检索算法。不同视角的视图所包含信息不同,挖掘高区分度视图减弱易混淆视图的影响是提高检索性能的关键。本文设计成对视角加权图神经网络(PVWGN)包括三个模块:原始特征捕获,多视图关系挖掘和多视图特征聚合。原始特征捕获用于捕获不同级别的特征。非局部模块用于挖掘多视图关系挖掘。加权视图聚合层用于不同视图加权以及视图特征聚合。最后通过成对区分损失函数进一步提高特征区分度,公共数据集上的实验表明,PVWGN在3D模型检索任务上达到了先进的性能。