基于深度学习的3D模型检索往往受限制于有限规模的已标注模型数据,因此现有算法泛化能力有限。域自适应算法可以在有标注域上学习域间共有的知识和模式,从而将其应用于无标注域数据,因此可以有效解决此类问题。本文通过将域自适应算法引入3D模型检索任务,提出了一种基于反向传播的域自适应3D模型检索算法,并基于该算法构建了一个高效的3D模型检索演示系统。通过对比实验,验证了算法的有效性和优越性。首先,通过将基于反向传播的无监督域适应算法引入3D模型检索任务,本文提出了一种基于反向传播的域自适应3D模型检索算法。通过在经典随机梯度下降法中引入梯度反转层和域标签分类器,本算法能有效挖掘已标注3D模型数据集的知识和模式,并将其应用到相关域的其他无标注数据集上。本算法在保证辅助域分类精度的基础上,减少了3D模型特征向量所携带域差异信息,从而在目标数据域上达到与在辅助域相近的分类精度。其次,针对3D模型检索的应用场景中数据规模大、实时性要求高的实际需求,本文在提出基于反向传播的域自适应3D模型检索算法的基础上,结合分布式技术,构建了一套高性能的3D模型检索演示系统,可以直接应用于多种3D模型检索场景。最后,本文选取两个主流的3D模型数据库进行3D模型检索实验,并与主流跨域及非跨域的3D模型检索算法分别进行对比实验,验证了基于反向传播的域自适应3D模型算法的有效性和优越性。同时,本文还完成了对所实现的3D模型检索系统的测试,介绍了该系统的功能以及使用方式。