近年来,随着计算机硬件和软件性能的不断提高,三维模型采集设备和建模技术也得到了迅速的发展。三维模型天然的立体空间结构使其能更加全面地表征物体,因此被广泛用于智能制造、数字娱乐、辅助医疗等领域。目前,三维模型数据量日益庞大,如何高效准确地从三维模型数据库中检索出目标模型,成为一个亟需解决的问题。在对目前主流三维模型检索和分类算法进行充分调研的基础上,本文主要深入研究了如何有效地利用三维模型多视图的相关性和上下文信息,并且基于有监督或者无监督深度学习方法提出以下三种基于视图的三维模型检索/分类算法:1)基于多视图树状结构编码的模型检索和分类算法（Multi-View Tree Structure Learning for 3D Model Retrieval and Classification,MVTS）。为了更充分地挖掘视图之间的相关性信息,MVTS基于视图之间的相似性得分构建了得分矩阵,并由此构建视图最大生成树,然后将最大生成树转换为左子右邻树。随后,本章利用双向树状LSTM编码方法对视图之间的上下文信息以及树状结构的空间信息进行编码。编码后的视图特征将通过树状注意力机制计算得到它的权重值。视图编码特征的加权之和将作为模型特征,用于后续检索或者分类任务。2)基于局部和全局三元组的无监督模型检索和分类算法（Local and Global Triplets based Siamese Network,LGTSN）。为了解决监督学习需要昂贵数据标注的问题,本章提出一种基于无监督学习的三维模型特征提取网络LGTSN。在LGTSN中,分别基于模型视图序列的自相关信息和模型近邻信息进行视图级别和模型级别的聚类,并根据聚类结果分别构建局部三元组和全局三元组。此后通过三元组损失函数对网络进行训练,使其能提取模型具有区分度的特征。3)基于视觉图和上下文图融合的三维模型检索算法（Visual Graph and Contextual Graph Fusion based 3D Model Retrieval,VGCGF）。VGCGF利用计算机图论的相关理论,提出一种无监督的相似度匹配方法。该方法基于模型之间的视觉相似性构建了视觉图,并且基于模型之间的上下文相似性构建了上下文图。随后通过图融合步骤更全面地衡量模型之间的相似性,将模型相似性匹配转换为图匹配,从而得到更准确的检索结果。以上的三个方法都在大型三维模型数据库上实施了充足的对比实验以验证其有效性,并通过消融实验和超参数实验验证了对应网络模块的有效性。