随着数字化技术的发展,计算机辅助诊疗系统已经大量应用于口腔医学领域。三维牙齿模型分割是计算机辅助诊疗系统的关键步骤,其分割结果可以为临床诊断提供重要的参考信息。现有的三维牙齿模型分割方法通常利用深度学习技术进行全自动的牙齿分割,相比于传统分割方法具有更好的鲁棒性和泛化性。然而,由于临床环境中患者牙齿结构的复杂性,三维牙齿模型通常存在牙齿错位、缺牙等情况,这使得现有方法的分割性能仍然面临巨大挑战。在此背景下,本文针对以上问题提出了两种分割模型,主要工作如下:第一,针对现有方法没有充分挖掘局部区域内网格之间的关系,导致无法有效提取三维牙齿模型局部细节特征的问题,本文提出了一种基于注意力机制的图卷积网络,该网络包含两个支路,第一个支路利用基于注意力机制的图卷积提取多尺度局部细节特征;第二个支路采用最大值池化提取三维牙齿模型的全局特征。最后将两种不同尺度的特征进行融合得到最终的特征表示以进行牙齿分割。本文在临床采集的三维牙齿模型数据集上对该方法分割性能进行评估,实验结果表明该方法的分割准确率达到了94.84%,在对比方法中取得了最好的分割性能,且能更好地区分牙齿边缘。第二,针对现有方法忽略了三维牙齿模型中不同空间属性的差异性,导致网络提取出具有混淆性特征的问题,本文提出了一种双流结构的图卷积网络。首先,该网络通过两条并行支路分别对坐标属性和法向量属性进行多尺度特征提取,有效避免了属性之间的混淆影响。然后,网络基于自注意力机制将两条支路的输出特征进行融合,以获取每个网格更全面的特征信息,最后,网络基于特征融合结果进行牙齿分割。该方法不仅可以充分利用不同属性提供的信息,同时还能有效解决不同属性之间的特征混淆问题。实验结果表明,该方法分割性能相较于本文第一种方法有进一步提升,分割准确率达到了96.96%,且能较好地解决孤立的网格错分问题。