随着三维形状数据的便捷获取、大量三维形状数据库的不断开放、以及便捷桌面制造等技术的发展,关于形状分割的研究已经成为形状分析、编辑和建模领域的一个核心研究课题。三维形状分割包括将形状划分为有意义的部件并揭示其内在的构成规律。这一任务也被称为语义分割和标注,它与形状部件的分类紧密相关,也就是正确识别出形状中每个元素所属的部件类别。形状分割是探索三维形状内在规律的基础与前提,亦成为语义化数字几何处理领域的热点和难点研究课题之一。本文针对基于神经网络的三维形状分割技术中的的特点,根据不同的先验来源,在对不同先验的利用场景中,从对类别一致性先验的发现,标注先验的利用和增强,以及有效的先验传播三个方面对三维形状分割问题进行了深入而系统的研究,所取得的创新性成果主要包括以下几个方面:（1）提出一种基于类别先验发现的三维形状分割方法。该方法通过对形状集中类别一致性先验的发现和挖掘,设计变换网络进行特征学习并将形状嵌入到更具判别能力的特征空间中再进行聚类,从而达到更好的分割性能。变换网络的参数可以基于相关性分析学习得到,因此提出一种无参、高效的简单稀疏表示的亲和度矩阵构造方法,从而避免参数设置的盲目性,提高相关性分析的鲁棒性。变换网络所学习的特征可以在较低的嵌入维数下获得较好的聚类效果,执行效率高。此外,变换网络训练后,可以直接应用于形状表示的获取,而无需要重新进行相关性分析,由此可以处理数据扩展时的增量分割问题,以提高分割效率。（2）提出一种基于标注先验增强的三维形状分割方法。该方法在特征编码过程中,捕获每个点的固定尺度邻域,并关注点对之间的关系,以提供更好的局部上下文。通过加入判别网络,将单个分割网络扩展为复合网络,可以通过可学习的结构损失来增强空间标注的一致性。此外,该方法还在整个框架中通过条件设置实现全局约束。因此,该方法能够产生更加合理、一致的分割和标注结果,从而提高标注结果的视觉感知效果及分割精度。此外,尽管网络训练过程由分割网络和判别网络交替迭代完成,但是推理过程并不需要判别网络的参与,因此在测试过程中不会增加任何计算负担。（3）提出一种基于先验有效传播的三维形状分割方法。该方法通过引入自训练,既可以利用标签点云进行网络训练,又可以实现先验传播,从而也可以利用无标签点云进行网络训练。此外,为了更好地利用无标签点云并避免标签传播错误造成的干扰,采用的对抗网络结构通过判别器给出了无标签点云标注预测的置信度判别方法。因此,可以在无标签点云预测得到的标注上选取可靠性较高的伪标签参与网络训练,从而在训练集中标注数据量不足的情况下提高分割精度。