三维模型在生活中的应用越来越广泛,然而重建复杂的三维模型需要耗费大量的时间和精力,有时只需要在已有的模型上进行局部修改,就能得到想要的模型。因此,三维模型检索日渐变成一个研究热点,有效和高效的特征是在三维检索领域应用的关键。深度学习在图像分类和目标检测等各种视觉应用中已经被证明是非常有效的,将深度学习应用于三维形状识别进行特征提取。由于无法直接将三维模型放入神经网络去训练,目前基于深度学习的方法大多将人工提取的特征,或者将三维模型处理成可输入神经网络的结构化的数据进而提取特征。在本文中提出了一种结合不同模态数据的三维特征提取的方法。首先,对三维模型进行坐标与尺度的归一化,使用两种数据(体素表示与像素表示)来处理对象识别问题。然后构建卷积神经网络,将其作为网络的输入,提取视觉信息和几何信息,利用深度学习提高了单模态特征的识别能力。通过基于卷积神经网络分别提取三维模型的几何描述符与视图描述符,并将两种特征描述符融合于一个网络中,找到模式之间的关联,形成融合特征描述符后应用于三维特征的分类与检索。利用多特征融合层不仅可以学习两种描述符的更多鉴别特征,还可以补充两种描述符之间的相关信息。与单独使用这两种表示相比,这种方法产生的分类器要好得多,检索效率也有了提高。基于多个基准的非刚性模型数据集的实验结果表明,融合的特征不仅包含关于模型表面的信息,还描述了模型的内部属性。相比于传统描述符和单一的基于深度学习的特征描述符,基于深度学习的融合描述符在分类和检索上更具有优势。