三维模型检索根据给定查询对象从三维模型数据库中检索出相似的模型数据,是实现设计重用的有效手段,具有广阔的应用前景。目前国内外学者对三维模型检索方法进行了大量的研究,其中基于多视图的三维模型检索算法利用深度学习强大的特征描述能力取得较好的检索效果,引起众多学者关注。然而该类算法目前存在所需视图多致使计算量大、特征提取损失部分特征信息导致准确率不够高、特征匹配遍历数据库造成效率低等问题。为此,本文对基于多视图的三维模型检索算法展开深入研究,主要工作如下:（1）目前基于多视图的三维模型检索算法所需视图多,计算量大。针对这一问题,提出三维模型的厚度图像表示方法。该方法采用空间变换与深度扫描技术提取模型厚度特征,以图片方式降维生成三维模型的厚度图像。厚度图像反映三维模型正反面轮廓综合属性,所需视图数量较现有多视图表示方法更少,有效减少模型检索算法的计算量。（2）现有算法的特征提取普遍采用先视图池化后联合推理的方式进行,造成部分特征信息损失,模型检索准确率不够高。为此,提出基于群等变卷积的模型特征提取算法。该算法将三维模型的多个厚度图像与正二十面体群关联,通过群等变卷积对多视图联合推理获取视图的群等变特征,随后对群等变特征池化得到模型特征描述符。该算法减少提取过程中的特征信息损失,提高模型检索准确率。（3）针对算法特征匹配阶段对数据库遍历搜索导致检索效率低的问题,提出基于厚度图像的模型聚类检索算法。该算法依据聚类代价最小化原理利用二分聚类将数据库中较为相似的三维模型聚为一个子数据集,在特征匹配阶段只需遍历对应的子数据集,显著减少遍历模型数,提高检索效率。（4）基于上述算法,实现基于厚度图像的三维模型检索原型系统开发,并通过应用实例验证本文所提算法的有效性。