近些年来,随着计算机和三维数据采集设备的不断发展,越来越多的行业使用三维方式来更直观的展示和分析数据,进而产生了大量的三维数据。与此同时,深度学习的研究也从图像领域逐渐转向了三维数据领域,并取得了显著的成果。基于此,如何利用深度学习框架在海量的经采集建模得到的三维数据中进行数据检索,逐渐成为了计算机视觉领域当前研究的热点。在先前对于三维点云数据检索的研究中,大多数方法对点云数据进行转化后再将其输入到网络中进行处理,处理的方法包括投影、体素化、转化为深度图等。但在点云数据预处理的过程中,由于视角选择、尺度选择等诸多因素的影响,使得预处理后的结果不同程度的丢失了原始数据中的部分信息。在这种情况下将损失信息后的数据作为输入,必然不能很好的提取原始数据中的完整信息。本文旨在研究如何将三维点云数据直接作为数据输入,并利用深度学习网络框架得到更为精确的检索结果。本文提出一种基于深度学习的三维点云数据检索框架,通过使用关系型卷积神经网络进行三维点云数据特征提取,然后结合全连接层与Soft Max层以及交叉熵损失函数训练出高精度的分类网络。在数据检索过程中,利用以上结构提取出Soft Max层的输出作为描述子,并使用欧式空间的相似性度量方法进行排序从而得到检索结果。这种方法很好的利用了现有成熟的分类框架,将检索问题转化为分类问题进而实现高精度的三维点云数据检索。文章采用了两种方式来完成检索任务,一种是与现有检索方法思路相同的类无关模型算法,它将网络提出的深层特征作为检索的依据进行训练,不关注数据属于哪种类别,在训练的过程中通过最大化相同类之间的相似性,最大化不同类之间的差异性来提升检索的精度。另一种方法是利用了分类网络思路的类相关模型,在训练的过程中不仅区分相同类与不同类,而且要明确区分输入数据为哪种类别,在训练的过程中不断的缩小类内的差异同时放大类间差异,以此来得到精确的三维点云数据检索结果。本文在Shape Net和Model Net40数据集中分别进行了实验,并对Point Net网络、Point Net++网络、三维胶囊网络使用本文的思路进行了检索实验,通过使用Top N、AUC、m AP、PR曲线等评价指标对实验结果进行了评价。实验结果显示,基于关系型卷积神经网络的类相关模型取得了很高的三维点云数据检索精度。除此之外,本文还比较了现有的基于Model Net40数据集的其他先进数据检索方法。从对比结果中可以看出,本文提出的算法在三维点云数据检索任务中有很大的优势和潜力。