三维模型数据拥有比二维图像数据更多的视觉信息,所以三维模型数据具有丰富的使用价值。在生物、医疗、游戏、电影特效制作等诸多领域都有三维模型的应用,三维建模技术的高速发展,加快了三维模型数量的增长。为了减少重新建模带来的成本开销,同时提高生产效率,我们可以利用已经构建好的三维模型数据,那么我们将不得不面临一个挑战:如何从三维模型库中搜索到目标模型,这已经成为了人们关注的热门问题。手绘草图是人机交互的一种普遍方法,那么使用草图作为检索系统的输入更符合人们的行为习惯,这就产生了基于草图检索三维模型的研究课题。由于三维模型结构过于繁琐以及草图对物体表示的不确定性,都给草图检索三维模型带来了不小的困难。当前草图检索三维模型方法主要围绕特征进行研究,多数方法使用的视觉特征编码缺少学习能力,进而导致特征表达能力不强,而且特征维数过高,影响检索速度。以草图为输入的三维模型检索属于跨域匹配问题,不能直接匹配。了解到草图检索三维模型存在的问题后,本文将卷积神经网络、度量学习、Hash编码等技术结合在一起,提出了一种解决方法,首先,面对识别草图和投影图的问题,本文利用卷积神经网络强大的特征学习能力,提取草图和三维模型投影图的深层特征,增加特征的区分性和表达能力。其次,草图与三维模型投影图不能直接计算相似度,而度量学习具有学习样本间相似度的能力,可以挖掘草图与投影图的深层联系。最后,在大规模三维模型数据库上的检索问题,Hash技术在检索任务中被广泛使用,为了在大规模数据集上应用本文算法,本文也引进Hash编码技术,目的是提高检索速度。