三维模型的数量在最近10年间呈现出几何级增长的态势。如何对数量庞大的三维模型进行处理、分析和理解,已经成为数字几何领域研究的焦点。而其中的基础问题则是三维形状的分类。传统的分类方式把人工设计的三维特征用于分类,其方法的优劣完全取决于专家对三维模型及其分类目标的理解和把握。存在主观性强、分类精度低的问题。不同于传统的方法,深度学习算法能够让机器自动学习特征及分类,近年来在图像领域有着优异的表现。视图作为模型的直观信息,符合人类的视觉系统,可以作为深度学习的输入信息。本文拟结合深度学习和视图对三维CAD模型的分类问题进行研究:首先进行三维模型视图提取;之后结合深度学习理论,给出深层神经网络的构建方法;在应用环节,给出分类过程与结果。主要研究工作如下:⑴三维模型的视图生成视图是三维模型的描述信息,本文以视图作为深度学习模型的输入。视图的数量以及获取视图的角度都会对最终分类结果有影响。光场描述符提取的视图存在大量的冗余,而最简单的三视图却会存在丢失模型空间信息的问题,我们需要研究合适的视图获取方法。本文利用两种视图提取技术得到混合视图,输入到深度学习模型。用以提高分类的精确度。⑵构建深度卷积神经网络由于卷积神经网络在图像处理方面具有极高的处理能力,所以本文使用了深度学习里的深度卷积神经网络。构建的深层网络分类器由多层组成:输入层、若干隐藏层和输出层。将提取出来的视图作为输入,由若干隐层来提取和合成更加抽象的概念特征,输出层用来输出模型所属的类别。⑶输出层分类器的选择卷积神经网络的最后一层是输出层。输出层分类器一般选择Logistic回归或SoftMax回归。Logistic回归用来解决二分类问题,而CAD模型数据库不止两个类,SoftMax回归模型是在多分类问题上的应用,故而本文采用了SoftMax回归模型。