文物是最具有代表性文化遗产的瑰宝。由于传统人工复原效率低下,且会对文物造成损坏,使用计算机对文物进行数字化保护与复原成为必要的趋势。其主要应用于对文物碎片分类,匹配,拼接以及孔洞修补。文物碎片数量庞大,形状既不规则又不完整,表面几何纹理特征复杂,如此本文以兵马俑碎片的三维模型作为研究对象,展开对文物碎片的分类相关技术研究,主要的研究内容如下:1.针对三维模型的特征提取只能提取局部表面几何特征,而丢失三维模型深度信息的问题,本文提出了一种分层中心描述符（Slice-Center descriptors,SCs）的方法,作为三维模型的数字化特征表示。并基于该描述符的形状相似性度量,支持实现三维模型的分类标识。通过先验模型类别的匹配度设定阈值0.3作为类别评判标准,达到分类效果。实验表明,阈值0.3作为分类判别时,对秦俑甲钉碎片的分类准确率也达到85.33%,说明了该方法的可行性。2.针对数量较多的未知碎片,上述方法效率较低,因此本文提出了一种点面神经网络架构,主要针对点云神经网络Point Net对于输入点云局部连接性信息的不足,然后对于Point Net网络进行改进,本文采用“以面替点”的改进方法,形成点面特征网络。通过实验表明,对于兵马俑碎片数据集的平均准确率达82.11%,比Point Net对于兵马俑碎片数据集的平均准确率高3%,说明了该方法对于兵马俑数据集的可行性和有效性。同时对于公共数据集的平均准确率达到了85.3%,虽比Point Net低了1%,但也说明了该方法的可行性。3.在点面神经网络采样层构建局部区域时,提出一种“面近邻采样”方法,即迭代局部三角面片“包裹”方式构建局部区域,比使用迭代最远点采样的效率高,只需要选出中心三角面片的周围包含的点云,计算次数相对较少,提高采样效率。