随着三维模型数量的爆发式增长,三维模型检索相关技术的研究也成为了当前的热门课题。它的主要研究对象是三维模型,并以模式识别和特征提取作为解决相似性度量问题的主要手段。三维模型在虚拟现实、增强现实等新兴领域展示出巨大优越性,使得越来越多的研究者发现了三维模型领域的巨大潜力。将传统的图像模式识别领域的算法运用到三维模型检索中也成了当下较为流行的手段。对比常见的图像模式识别领域的特征匹配问题,三维模型检索问题与前者的差异较大。不论从数据表示形式还是数据量上,三维模型都要比传统的图像复杂得多。本文以三维模型的数据构成为出发点,详细介绍了三维模型检索技术的相关背景和具体实现,并提出了基于视觉多特征融合的检索方法和基于深度学习的多特征融合的检索方法,且完成了相关实验,结果表明本文所提出的算法在三维模型检索领域有一定的优越性,具体工作如下:首先,叙述了传统的三维模型检索方法的具体应用,并详细介绍了三维模型的具体构成以及每种特征提取算法的主要手段,并将其作为后文实验中的对比算法。其次,针对基于视图的模型特征提取,提出了视觉多特征融合的三维模型检索方法。以视图特征为基础,对三维模型检索问题提出改进的基于模型全局特征和局部特征的三维模型检索方法,通过在球体包围盒的不同位置的视角下获取模型的二维深度图像,将模型图像的轮廓特征与模型图像的纹理特征相融合,然后将不同模型的相同角度下的特征进行匹配,从而实现三维模型检索。再次,提出基于深度学习的多特征融合的三维模型检索方法。通过将模型体素化得到模型的直观数据表达,并用一种特殊的八叉树结构实现对模型的体素化分割,该方法很好的将模型的细粒度特征和粗粒度特征保留下来,使得最终放入卷积神经网络中的数据很好的包含了三维模型的整体和细节的有效信息。最后通过神经网络的分类实现对三维模型的检索功能。考虑到计算性能,本文还在模型体素化的过程中做出一定的改进,通过仅对模型外表面进行体素化,实现了对体素化过程以及数据存储和卷积神经网络训练的优化,大大降低了时间开销。最后,在三个开源数据集中做了详尽的实验。实验表明,基于视觉多特征融合的三维模型检索方法的检索准确率达到了76.6%,同时基于深度学习的多特征融合的三维模型检索方法的准确率也达到了88.7%,明显高出了文中提到的其他对比算法。同时为了后续研究,也提出了一些改进的意见。