近年来随着低成本小型化三维传感器大量涌现,三维模型数据的获取变得越来越容易,与二维数据相比三维模型数据包含更多的原始数据信息。三维模型的识别和分类在深度学习、计算机图像学等领域有着很广泛的应用。基于多视图卷积神经网络(MVCNN)的三维模型分类算法已经取得了很好的效果,但是由于卷积神经网络构建模块中的几何结构是固定的,输入数据的几何变换会对算法的识别率有一定影响。本文基于可变形卷积网络(Deformable Convolutional Networks,DCN)和MVCNN等方法,在Caffe深度学习框架上,设计实现了一种新型的深度卷积神经网络—De ConvMVCNN,本文完成的主要工作如下:(1)本文在深度学习框架Caffe上设计并实现了一个基于多视图的三维模型分类网络—MVCNN。该网络共有9层,其中包含5个卷积层,在卷积层之后进行了局部响应归一化和池化操作,在5层卷积之后设计了一个特定的视图池化层,负责将三维模型的多个视图中的信息组合成单一紧凑的形状描述符,从而更好地提取了三维模型的特征,最后是3层全连接层,并通过Softmax分类器输出最后的分类结果。在Model Net40和Model Net10数据集上多次试验的平均分类准确率分别达到了89.9%和90.5%。(2)针对传统卷积神经网络对输入数据发生几何变换后分类准确率不稳定的问题,本文基于卷积神经网络的内部结构,在Caffe平台上设计并实现了可变形卷积网络。该网络主要包含可变形卷积和可变形ROI池化两个模块,与传统的卷积核和池化核相比,可变形卷积可以有效地在卷积过程中学习输入数据的偏移量,极大地降低了输入数据发生几何变换对后续网络的影响,提高了CNN的抗几何变换能力。(3)针对MVCNN几何变换建模能力不足的问题,本文基于Caffe深度学习框架提出并实现了一种新型网络模型—De Conv-MVCNN,具体方法为:在输入数据和第一次正常卷积之前加入了可以增强抗几何变换能力的可变形卷积层。可变形卷积层首先对输入数据的偏移量进行一次学习,然后进行可变形卷积操作,显著地提高了网络的鲁棒性。在Model Net40和Model Net10数据集上多次试验的结果表明显著的提高了MVCNN的抗几何变换能力。