三维模型的语义分割和标注是图形以及制造领域中的一个基本问题。由于人为标记或人为分割三维网格模型的是一个繁琐的过程,并且会不可避免的包含一些错误,因此可解释的自动分割的方法应运而生。然而常规的有监督的数据驱动方法通常需要繁琐的预处理过程,而且在实际应用场景中,准确的分割类别数目和以及大量的手工标记的模型是很难获得的,这些都大大限制了有监督的三维模型的分割算法的应用。因此无监督或者半监督的三维模型分割方法显得尤为重要。通过将分割问题转化为聚类分析,本文提出了两种无监督/半监督的聚类算法来解决三维模型的语义分割问题。方法一为低秩结构导向的聚类算法,该方法首先将输入的几何特征转换到一个隐含的特征空间中,之后在该隐含空间中将转换后的特征进行低秩表示并结合鲁棒的误差衡量范数进行聚类,与此同时,为了应对输入中可能存在的噪声,本文采用了块对角约束,通过将块对角性质引入系数表示矩阵的拉普拉斯形式中,得到了一个鲁棒的聚类框架,该方法能很好的应对可能存在的噪声并且能处理非线性的几何特征。方法一虽然能很好的处理噪声,但是它无法应用于大规模数据的情况,并且合适的隐含特征空间很难通过人为去定义,为此本文接着提出了方法二,结合深度学习贝叶斯框架,将隐含特征的定义转化为数据驱动的参数学习。在隐含空间中的聚类问题也被转化为混合高斯分布的参数估计问题。总的来说,方法二将聚类问题建模为带非线性变换的混合高斯模型参数推断问题,通过最大化对数似然函数,来解决该深度贝叶斯推断问题。该无监督/半监督的基于深度贝叶斯的聚类方法不仅能很好的应对可能存在的噪声还能方便的应用于大规模的数据集。实验中,本文在三维模型和二维图像数据集合上验证了所提出方法的有效性,相比之前的方法,本文的方法取得了更好的结果。