三维模型识别是计算机图形学和计算机视觉的研究热点之一。目前,深度学习已成为三维数据识别的主流,但已有方法大多基于有监督学习,需要大量的有精确标记的三维数据。然而,三维数据的标注成本较高,大量易获取的无标记数据并未被已有算法充分利用,导致三维模型识别算法效果难以提升,适应性不强。针对这一问题,本文研究如何利用半监督学习方法构建三维识别模型,在利用有标记数据的基础上,结合运用大量无标记数据中的信息提升三维模型识别效果。首先,本文提出了基于协同训练这一半监督方法的三维识别模型。该模型通过选择两个基于不同三维视图的基础分类器进行协同训练。并对无标记形状进行伪标注,使其参与到模型后期的迭代训练过程中。通过相关实验,选择出了该模型构建所需的基础分类器,并证明了将协同训练架构应用于三维模型识别任务的适用性和有效性。其次,本文提出了基于不确定性的一致性损失。该损失使协同训练架构中的两个基础分类器学习无标记数据在不同视图下的一致性信息。其中,为了减少一致性损失对模型学习的负面影响,本文在一致性损失的基础上引入模型的不确定性来动态地调节一致性损失函数,从而减少了模型在学习无标记数据时,由于基础分类器之间的性能差距对整个模型的影响。通过相关实验,证明基于不确定性的一致性损失函数可充分挖掘无标记数据中蕴含的信息,据此显著提升协同训练模型的学习效果。再次,本文提出了两种数据伪标注方法提高模型对无标记数据进行伪标注的质量。分别是基于软标注方法和基于不确定性阈值控制方法。通过实验对比,最终选择基于不确定性阈值控制的伪标注的方式提升伪标记质量,进一步提升协同训练模型的识别准确率。最后,本文设计并开发了三维模型识别系统。该系统基于浏览器客户端提供服务,并在服务端加入中间层,起到对客户端提供模型调用接口和屏蔽具体模型操作细节的作用。同时,该系统提供模型识别、文件解析、数据标注和模型训练四个功能,即提供了三维模型构建和训练过程中常用的操作,方便用户便捷直观地参与到三维识别模型的构建与训练过程中。