随着三维模型在数量上的迅猛增长和在各个领域的广泛应用,如何开发搜索引擎帮助用户快速方便地查找设计所需的三维模型是急需解决的一个问题。多视图卷积网络通过深度学习技术能够有效地描述三维模型的几何特征,而且支持草图检索接口。因此,三维模型多视图卷积网络特征提取引起了研究人员的广泛兴趣。这正是论文的研究重点。论文主要工作如下:1.对三维模型检索中的相关特征提取技术进行了总结和分析。论文对二维形状特征、三维形状特征、多视图特征方面的国内外研究的进行分类阐述。同时给出了三维模型多视图卷积网络特征提取相关的理论框架。2.针对三维模型多视图特征提取问题,在已有残差卷积神经网络基础上,采用加权损失函数提高视图特征的可分性,优化网络性能。算法首先对三维模型进行多视图渲染得到视图,然后通过残差网络扩展模块加深网络深度。同时采用中心损失函数和交叉熵损失函数定义加权损失函数,解决交叉熵损失函数因为类内距离小于类间距离而导致的特征不可分问题。通过ModelNet数据集的实验结果表明,该算法提取到的特征在三维模型分类任务上性能表现优异。3.针对三维模型草图检索提出了一种级联卷积网络结构,不仅考虑特征可分性,而且考虑草图和视图的逼近误差。级联网络结构主要由两部分组成。第一部分是条件对抗网络,用于度量草图逼近视图的误差,提高渲染视图和草图的视觉特征相似性。第二部分是残差网络,用于学习卷积特征的类间可分性。同时在目标函数上采用了加权目标函数。在实验分析部分,本章针对SHREC’13和SHREC’14两个基准数据集进行了验证分析。可以发现,这种级联卷积网络结构提高了特征的聚类性,能够大大提高检索准确率,超过了流形嵌入算法的三维模型草图检索准确率。