随着传感器技术和机械制图的发展,三维模型数量呈爆炸式增长。在计算机视觉领域,研究人员将目光从平面上的图像应用转移到表征真实世界的三维模型的应用。三维形状分割是三维形状分析的基础,是计算机视觉中检测和识别物体信息的基础。对三维模型进行形状分割,确定模型中每个网格包含的语义,通过对每个语义成分更深入的分析,可以实现形状对应与匹配、模型检索等任务。对于网格的三维形状分割,早期学者从计算几何角度出发,通过计算网格的几何属性,找寻模型在三维空间的有效分割特征描述符。为了解决早期方法中网格特征单一,鲁棒性差等问题,基于深度学习的三维模型形状分割方法得到发展。该类方法能够从模型中学习到足够多的特征描述,充分挖掘三维形状内蕴的几何信息,自动提取有利于目标任务的特征。为提高三维形状分割的准确率和可靠性,本文围绕基于深度网格和流形几何,设计两种具有较高分割精度的三维形状自动分割方法。本文的主要研究内容如下:通过分割投影图像得到三维形状分割,提出用于三维形状分割的优化空洞卷积网络,该方法首先得到三维形状的投影图像集合,然后使用优化空洞卷积网络得到图像的语义分割,分割标签反投影回三维形状后,通过条件随机场方法优化分割结果。在PSB数据集和COSEG数据集上的分割实验表明,与其它方法相比,本文提出的优化空洞卷积网络在三维形状分割任务中标签准确率更高。通过深度网格实现三维形状分割,提出三维形状分割的边面特征结合的双路网络,该方法通过两个网络分支,第一个分支采用优化空洞卷积网络,第二个分支根据不规则网格的三角流形特性,设计基于边特征的深度网格。各分支的分割结果通过投票方式融合,最终得到三维形状网格的分割结果。在COSEG数据集和HBS数据集上的实验证明,该双路网络能够有效提高三维形状分割的精度。本文通过Caffe和PyTorch神经网络框架实现优化空洞卷积网络和边面特征结合的双路网络,使用PyQt5编写三维形状分割程序,该程序输入三维网格模型,输出显示基于网格面或网格边的分割结果。