化石图像作为化石标本的信息载体,是古生物学者之间讨论古生物分类学和系统学的重要依据。准确且自动化的化石图像检索,不仅有助于古生物学者建立生物演化关系,而且有助于古生物爱好者学习古生物知识。虽然使用常规计算机图像领域的方法可以对化石图像进行自动化识别和检索,并可以有效减轻化石图像检索过程中的错误率和主观性,但是,存在两个主要的问题:一是真实的化石图像数据量不足,导致模型泛化性能低;二是化石图像中主体与背景相容,使得提取的特征含有大量噪声,导致检索准确率不高。因此,针对上述两个问题,本文提出一种基于古生物三维模型的化石图像检索方法。本文的主要研究内容包括:（1）针对化石图像数据量不足,导致深度学习网络泛化性能低的问题,本文提出一种基于三维模型视图的化石图像扩充方法。该方法将古生物三维模型映射为多视角二维图像,并挖掘映射的二维图像与化石图像之间的相关信息。实验发现,该方法合成的化石图像不仅主观感受细腻真实;同时由合成图像训练的深度学习网络性能可获得极大提升,表明合成图像中具有丰富且有意义的化石特征。（2）针对古生物化石图像背景与主体相容,直接进行图像特征提取存在大量噪声的问题,本文提出一种基于实例迁移的化石图像显著性检测方法。该方法采用迁移学习对真实化石图像进行显著性检测,并以此得到化石图像的显著特征。实验结果表明,生成的仿真化石图像和迁移学习在真实化石图像显著性检测中具有可行性和有效性。（3）针对在较为复杂的化石图像中显著特征缺失,导致检索准确率低的问题,本文提出一种基于显著特征和全局特征融合的化石图像检索方法。该方法把显著性检测网络提取的显著特征和分类网络提取的全局特征进行融合后联合表达化石图像。实验结果表明,融合特征的方法能够提高分类准确率;以Resnet18和Resnet50为基网络,分别进行特征融合,分类准确率分别提升8%和11%;在检索性能上,平均准确率8)达到了94.4%,并且在限制容错范围的情况下,与其他方法对比,本文方法的准确率较高。综上所述,本文提出的方法能够实现化石图像的识别和检索任务,有效提升了化石图像的检索的准确率及效率,有助于古生物学者进行化石图像的研究工作。