随着信息技术和人工智能的快速发展,计算机的数据处理能力得到了显著的提升,支持了从二维图像向三维模型的转型。三维建模的应用场景非常广泛,例如在化工领域,通过自动化场景建模可实现对化工厂的实时监督和灾难预警。现有的三维建模软件通常具有高效率、低成本的优点,虽然极大地节省了人力,但生成的三维模型存在部分缺失、分辨率低的缺点,为实际应用造成了困难。本文研究基于内容的三维模型识别和检索算法,用高精度模型自动替换建模生成的低质量模型,解决了上述的问题,具有丰富且深刻的研究意义。三维模型识别和检索是最为重要和困难的三维问题,三维模型点云具有高维、无序的特点,因此单一特征无法准确地刻画模型形状。本文首先基于三维点云和面片数据计算尺度不变的热核特征作为局部特征,然后利用非参数核密度估计的方法预测局部特征的概率密度分布。由于预测概率分布存在误差,我们结合自编码器和多层感知机提出了一种深度功能型分叉半监督编码网络对概率分布进行高阶特征提取,将编码器的输出作为形状描述子。为了完全消除核密度估计带来的误差,我们进一步提出基于Point Net的深度多输入单输出卷积神经网络,将尺度不变热核特征直接级联到空间变换后的点云矩阵上进行学习,相较于前者方法可获得更高的检索精度。最后我们基于一阶邻近指标的信息熵计算两种形状描述子的权重并进行描述子融合,实验证明融合后的形状描述子具有更强的判别能力。本文还涉及到点云随机采样和基于多数支持者的投票策略,前者丰富了训练样本,加强了网络的鲁棒性;后者更好地融合类别信息到形状描述子。