在基于内容的三维模型检索领域,特征描述算法和相关性反馈算法是其关键技术。虽然特征描述算法能够提取不同的底层特征信息,但是在模型特征提取过程中存在不少亟待解决的问题。三维模型相关性反馈算法虽然能获取用户的语义知识,提高检索效果,但普遍存在样本筛选等问题。针对上述问题,本文进行了深入的研究。论文工作包括:1.提出了一种基于形状视觉的三维模型特征描述算法MATE。首先给出了一种改进的PCA方法;然后提出了一种等角距的傅立叶描述算子;接着介绍了一种改进的深度缓存算子;最后合成三种不同的算子形成MATE算法。与现有六种特征描述算法相比,MATE算法不仅在多种标准评价方式下获得很好的检索效果,而且还较好地处理了检索性能与特征维度之间的权衡问题。2.给出了一种基于先验知识的特征向量合成算法。利用查询模型计算各种特征向量的先验知识,然后动态地分配不同特征向量的权重合成一种特征向量。实验结果表明该算法能较好地利用各种特征向量的不同优势,其检索性能明显优于现有的两种三维模型特征向量选择算法和特征向量合成算法。3.提出了一种基于多层次的三维模型相关性反馈算法。采用多种特征向量描述模型不同底层特征信息的特点,并准确获取用户的检索需求。实验结果表明该算法能较快缩小用户高层语义知识与模型底层特征信息之间的差距,显著提高了三维模型的检索效果。与现有算法相比,该算法在多种标准评价方式下都具有明显的优势,仅用两轮相关性反馈就能获得较好的检索效果。4.建立了一种基于长期学习机制的SVM active learning相关性反馈算法。采用主动学习机制返回最具信息量模型,保存用户对所有模型的检索记录和标注信息,并利用拉普拉斯特征映射法挖掘历史检索过程中隐藏在模型之间的语义知识,最终实现模型在语义空间进行相似度匹配检索。与现有几种三维模型相关性反馈算法相比,该算法不仅能准确获取用户的语义知识,而且还能显著提高检索效果,仅通过一至两轮相关性反馈就能获得非常理想的检索结果。