随着三维数据采集、可视化、硬件设备的技术升级以及互联网行业的快速发展,三维模型已经成为一种主流的多媒体方式。如何在大量数据中检索到相似的三维模型已成为一个至关重要的研究课题。通常解决方法分为两类,分别为基于模型的检索算法与基于视图的检索算法。早期的方法主要是基于模型的算法,需要直接从明确的三维模型中学习拓扑结构、骨架信息等。基于视图的算法以不同的视图表示三维模型,并经过若干卷积层、池化层、全连接层得到最终用于检索的特征描述符。与基于模型的算法相比,基于视图的算法可以借助成熟的二维图像处理技术得到区分度更高的特征描述符。本文在基于视图的三维模型检索方法的基础上,提出了两种检索方法:基于双流网络的三维模型检索方法与基于多分支图卷积网络的三维模型检索方法,分别支持以模型检索模型和以二维图像检索模型。两种方法首先都需要获取模型不同视点的视图,并通过卷积神经网络提取各个视图的特征描述符。在基于双流网络的方法中,包含由两个LSTM组成的视觉显著性网络与多视图卷积神经网络。首先通过软注意力机制在学习过程中保存视图之间的相关性,使得表征网络更专注于权重较大的视图。然后将两个分支的特征级联,得到用于检索的模型特征描述符。在基于多分支图卷积网络的方法中,首先通过相似性生成一个以待检索图像、训练二维图像、训练三维模型为顶点的初始图,以数据集中的二维图像作为介质,建立了待检索图像与三维模型在同一个空间的关系。然后使用多头注意力机制中的自注意力模型建立了多个完全连接加权图,进一步纠正和发掘顶点之间的关联。最后通过最大池化融合多分支的注意力图卷积嵌入结果得到各个顶点的特征描述符,进而完成跨模态的信息检索任务。本文选取了较为流行的三维模型数据集进行评测,得到了各个参数的最优值,并与经典三维模型检索算法进行了比较。最终大量的实验结果证明了本文所提算法的有效性。