随着科技信息技术的不断进步,三维模型数量呈指数级增长,在工业生产和日常生活中发挥着重要作用。如何对模型进行分类管理成为学术界、工业界普遍关注及研究的问题。而计算机硬件性能的不断提升,使得因计算性能瓶颈而进步缓慢的卷积神经网络再次获得高速发展,特别是在二维图形图像识别领域已取得优异成果。三维模型结构的特殊性使得其识别分类过程区别于传统图像,为此本文考虑将3D卷积神经网络应用至三维模型的分类识别与检索之中。主要工作如下:提出一种权值优化集成卷积神经网络模型,并将其应用在三维模型的分类识别中。该方法首先获取三维模型正视、俯视和侧视三个视角的深度投影视图,从而最大限度地保留三维模型的空间信息。然后采用改进的VGGNet对各个视角深度投影图像进行训练并输出其对三维模型所属类别的预测概率值,最后采用权值计算算法对深度投影视图的预测概率值赋以权值并加权集成,从而完成三维模型的最终分类。提出一种基于自适应加权集成卷积神经网络模型。该模型以熵为基准,对深度学习模型提取的三维模型正视、侧视和俯视的深度投影视图特征赋以合适权值。然后将特征与对应权值加权集成为新的融合特征,通过权值提升初步分类表现较好的特征在融合特征中的占比。再用逻辑回归对融合特征分类,完成三维模型的分类识别。提出一种基于权值优化集成3D卷积神经网络模型。该方法首先以俯视视角按特定位置依次渲染出三维模型的二维图像,按顺序以视频形式输出。然后尝试将体素化的三维模型用多维二值矩阵的数据结构形式描述。再用改进的3D卷积神经网络模型将这两种形式的数据分别进行训练并输出三维模型所属每种类别的概率。根据算法赋予二者合适权值,加权集成初步分类的预测概率值,从而识别出三维模型的所属分类。实验表明该方法可有效提高分类准确率。