随着计算机图形学的迅速发展,层出不穷的应用与三维模型受到相关领域研究人员的积极研究和探索。其中,模型的特征分析始终是一个备受关注的核心话题。传统的特征分析和检测方法主要关注模型的点、线或局部块特征,而近来不断涌现出的应用表现出对检测更为一般化的、具有高层次信息(语义或人类意愿信息)的特征的需求。鉴于此,本文对网格模型进行了一系列多层次多尺度的特征分析和处理研究,主要包括:(1)提出两种保持几何特征的全局滤波方法。通过对噪声模型的曲面微分量特性进行分析,利用特征和噪声在三角面片面法向上表现出的差异,提出基于面法向规范化的重加权的全局双边滤波算法,该算法有效克服现有去噪算法参数选择难的问题,并在去噪同时很好保持特征。而鉴于特征和噪声处面法向分别具有统一性和孤立性,提出基于稀疏信号处理思想的具有稀疏性的全局网格滤波方法,该算法通过优化全局能量函数来去除网格模型的噪声,同时有效保持网格的特征结构。(2)提出多层次多尺度的显著性特征检测方法。该项工作的核心是提出的一种新型的形状描述子,该描述子通过层次化、网络化的组织结构将模型的局部几何信息和全局结构信息充分结合。通过描述子建立局部和全局高维特征空间,对所获得高维特征空间进行稀疏和低秩分解,并充分利用分解所得稀疏成分进行分析得到局部特征显著性和全局结构显著性。所得结果有效推动基于局部显著性的网格滤波和基于全局显著性的网格分割处理。(3)提出多层次多尺度的一般化特征检测方法。通过设计简单方便的用户交互式操作提出一种一般化的区域化特征,该特征基于双调和距离场、在形式上具有多尺度的特征。利用图谱小波对一般化特征进行描述,充分挖掘图谱小波能够表达模型不同频率信息的能力,得到模型多层次几何信息。通过距离场将图谱小波系数及几何度量相结合得到一般化特征的综合性描述子,其能够反映模型由局部到全局的多尺度信息以及由细致到粗糙的多层次信息。特征检测与相关处理证实一般化特征及其描述的各项优越性。(4)提出基于小样本学习的用户兴趣特征检测方法。通过将的小样本学习模型和测试模型联合起来建立全图而得到具有问题驱动的流形结构,这使得简单的人工交互即可令算法理解人的兴趣点。而人的兴趣检测问题即转换为全图上的各项异性扩散问题,本文通过建立基于偏微分方程引导的全局图扩散框架,设计包含几何信息、用户兴趣信息的引导来调控扩散方向,同时利用子模优化算法选择最优热源点,使得全局图上的扩散学习算法具备强区分性、鲁棒性等,并在多种情形的兴趣理解和检测中取得理想结果。