二十一世纪,深度学习算法促进了新一代人工智能的发展。其中,机器学习具有可以独立学习数据采集的特点,挖掘数据之间的逻辑结构。在很多领域都获得了广泛应用,如自然语言数据处理、计算机视觉、自动驾驶、智能机器人等。而在三维模型分析和处理过程中,快速构建模型间准确的对应关系是计算机视觉、计算机图形学及相关研究领域中的一个重点及难点问题。对于刚性匹配的三维模型稠密对应关系计算问题,现有方法可以在两个模型间或多个模型间建立良好的对应关系。但对于非刚性模型之间的稠密化对应关系计算问题,例如部分三维模型和完整三维模型之间的对应关系、完整三维模型簇之间的对应关系、产生大尺度形变的三维模型间的对应关系计算,现有的算法还无法得到准确的计算结果。针对非刚性三维模型间的稠密对应关系计算问题,提出一种基于随机森林的稠密对应关系计算方法。首先采用随机森林分类器（Random Forest Classifier）生成模型描述符的参数化空间,计算出可以正确描述当前模型最大差异的特征描述符;然后使用波核签名描述符描述源模型和目标模型;最后采用函数映射（Functional Maps）方法计算模型间对应关系。实验结果表明,所提出的基于随机森林的非刚性三维模型稠密对应关系计算方法具有以下两点主要贡献。第一,能够获得较为准确的模型间初始映射关系,并在此基础上,可以计算出模型间准确的稠密对应关系。第二点,对于顶点数量较多的模型计算耗时短,并在所有测试数据集获得较高的对应关系计算准确率,具有较好的适用性。