随着三维扫描以及三维建模技术的发展和成熟,获得和产生三维模型已经越来越容易,每天都有大量的三维模型产生。新型三维建模和打印技术也愈发成熟,在互联网中就有了非常丰富的三维模型及相关资料、数据和素材库。三维建模复杂、且成本高昂,三维模型检索技术能够令使用者在大量的模型数据库中高效的获取所需的相关模型和数据。与其他三维模型检索方法相比,通过手绘草图实现三维模型检索具有简单、便捷的优点,是学界研究的热点之一。由于二维与三维本质上的差别,导致用二维草图来表现三维模型的特点有一定的困难,难以直接将二维草图匹配到三维模型并计算相似度。为了解决使用草图检索三维模型的这个困难,本文通过研究深度学习技术,提出以改进的孪生卷积神经网络为核心的检索算法。本文主要完成的工作如下:首先,由于难以直接将二维草图匹配到三维模型,需要利用降维把三维模型进行投影,生成二维投影图集,从而将手绘草图与三维模型的匹配问题转化为草图与模型投影图的匹配。其次,目前已发表的最好算法几乎都是手动定义正确的特征,为三维模型计算大量的“最优视图”,希望查询草图与使用预定义的特征的三维模型中的一个二维投影相匹配。但因为“最优视图”是主观的和模棱两可的,这使得匹配的输入模糊不清。本文使用更简单的方法来定义视图,将视图的数量急剧减少,通过学习跨领域相似性,并学习草图和视图的表达特征,而不是依赖“最优视图”和手绘草图的特征提取。第三,为了解决跨域匹配问题,本文采用两种孪生卷积神经网络,提出使用改进的孪生网络进行跨域匹配,解决了域内和跨域的相似性问题。第四,本文在原有孪生网络对比损失函数contrastive l(oss)的基础上新增一个softmax损失,两者加权后定义一个新的损失函数,以“对齐”两个CNN模型的结果,使得特征的可辨识性显著加强。本文在三个基准数据集上进行了实验,通过与目前已发表的最好算法的方法进行比对,证明了本文算法的可用性和先进性。