三维模型在游戏、电影、医疗等领域具有广泛的应用价值,如三维游戏中的人物和场景,电影特效制作,三维人体器官模拟和分析等等。随着各应用对三维模型精度的要求越来越高,也使得研究人员对三维模型的分析变得越来越精细。在三维模型分析过程中,模型分类和分割问题是其基础研究,也一直是计算机图形学和计算机视觉领域的两个热点研究内容。本文对细粒度的三维模型分析技术进行了系统而深入的研究,以其所涉及的细粒度分类和分割两个子问题作为切入点,并在此基础上进行了多个应用研究。论文的主要成果体现在以下三个方面:（1）提出了一种基于投影线框图的半监督三维模型风格分析方法。针对细粒度的模型分类问题,本文所提方法能够在用户给予少量监督信息的条件下,基于模型的投影线框图,把同种类或多个不同种类的三维模型按照风格进行细粒度分类,并且定位模型上的风格代表性位置。本文首先使用基于投影线框图的卷积方法来提取三维模型的投影特征,然后使用基于部分共享的潜在因子学习方法来融合三维模型多视角的投影特征并完成基于风格的精细分类。另外,本文的方法可以将学习到的二维风格面片反投影到三维模型,定位三维模型上带有风格的位置。为了验证方法有效性,我们建立了目前最大规模的三维模型风格数据集。实验结果表明本文所提方法能在多种类别的三维模型集上有效地将三维模型按照风格进行细粒度分类,并且能够定位三维模型上具有风格代表性的位置。（2）提出了一种基于递归神经网络的三维模型层次化分割方法。针对细粒度的模型分割问题,本文基于递归神经网络的深度学习模型设计了一种面向三维模型的层次化部件分割方法,能够对三维模型进行层次化分割并得到其细粒度的部件信息。本文方法将三维点云作为输入,使用一种递归的二分解操作来完成其细粒度分割。在递归的每个节点,本文训练了一个节点分类器用来决定分解的类型（邻接节点还是对称节点）,或者分解过程是否应该停止（叶子节点）。在较高层的节点中提取的特征,会通过树结构递归地传播到较低层的节点,我们将这个特征称为递归上下文特征。通过这种递归分解做法,上层有意义的分解会约束下层的分割。同时,为了提高每个节点分割的准确性,我们将每个节点对应的部件点云形状特征和递归上下文特征结合起来。为了验证本文方法的有效性,本文首次建立了一个大型的三维模型细粒度分割标准模型集来进行实验。实验表明,本文方法可以精确地将三维模型细根据其结构复杂度分割到任意数量的部件,同时还可以得到这些部件之间的联系（连接关系或者对称关系）,从而可以帮助这些部件在未来获得更加精准的标注信息,这体现了我们方法的灵活性和通用性。另外,我们的方法在传统语义分割数据集上也取得了十分具有竞争力的结果。（3）基于三维模型细粒度分析的相关应用研究。本文在所提出的基于投影线框图的半监督三维模型风格分析方法的基础上,扩展了多个相关应用研究。主要包括将基于风格感知的模型简化、基于风格感知的三维模型最佳视角选择以及基于手绘草图驱动的建筑风格分析。同时,本文还在所提出的三维模型细粒度分割网络框架基础上扩展了一个相关应用研究,实现了基于部件级点云改进的单张图片三维重建。这些相关应用的实现和实验结果都证明了本文所提的三维模型细粒度分类和细粒度分割方法适应性很强,具有广泛的应用的价值。