三维目标分类是计算机视觉领域中一个重要的研究课题,良好的分类性能可以为后续的高级处理提供支持。传统分类方法通过人工提取数据特征,不足之处是人工设定费时费力且依赖主观经验,而深度学习模型能够自动学习数据的深层特征,减少了人工分类的主观性,准确率相对较高。多视图表示是三维模型的重要表示之一,符合人眼对目标的视觉感知,可以作为深度学习模型的输入数据。本文针对基于深度学习的多视图三维目标分类问题,研究了三维模型的多视图表示及选择方法,并采用深度学习模型对三维目标进行分类,旨在提高准确率的同时进一步提高计算速度。本文的主要工作如下:(1)针对多视点视图数据缺少视图间的关联信息问题,本文提出了三维模型的多视点与全景视图表示方法。本文首先构建了三维模型的多视点视图数据,在此基础上进一步构建了全景视图数据,增加了视图间的关联信息,并把两者结合起来,形成完整的多视图数据集,以获得模型的完整信息,解决多视点视图的信息缺失问题,实验表明该模型表示方法的有效性。(2)针对多视图数据样本较多且存在大量冗余模糊特征的问题,本文基于构建的多视图数据集提出了多视图显著性分析与选择算法。本文首先通过梯度计算来分析多视图的显著性,根据梯度对视图进行排序,在此基础上选择特征显著的视图,解决计算效率不高的问题,在公共数据集上的实验结果表明多视图分析与选择算法的有效性。(3)针对多视图中的单个视图特征信息较少、特征描述不充分的问题,本文在多视图数据构建、分析和选择的基础上提出了基于聚合特征描述的多视图分类模型。本文首先对多视图进行池化,把多个视图的特征信息聚合起来,生成代表该三维模型的聚合描述子,在此基础上基于VGG-M模型实现对多视图的分类,在公共数据集上的实验结果表明基于聚合特征描述的分类模型具有较好的分类效果。