织物的悬垂性能是织物在自身重力作用下形成三维构形的能力。研究织物的悬垂性能有助于面料开发和服装设计。然而到目前为止,基于三维悬垂模型的悬垂特征指标提取,三维悬垂模型的表面拓扑重采样,无三维扫描条件下的三维悬垂模型重构,基于形状特征的三维织物匹配,以及织物的悬垂形态特征与基本力学性能间的相互映射等问题,尚未得到深入系统的研究与分析,有鉴于此,本文以三维悬垂模型为形态信息的载体,借助机器学习和深度学习算法,对上述问题进行了较为深入的探索,得到了如下几个方面的研究结果:（1）利用课题组自行设计的三维扫描装置采集了悬垂织物的三维点云,并重构了离散型三角形网格表面。通过对网格中各三角形法向量的统计分析,提出了一种能够表征织物悬垂程度的新指标:悬垂角,并将其与悬垂系数进行了比较。结果显示在存在织物悬垂自遮盖现象时,悬垂角在表征织物悬垂程度方面要优于悬垂系数。并且相同织物试样多次悬垂所对应的悬垂角比悬垂系数离散程度更小。（2）为了将三维悬垂模型标准化,提出了一种基于局部线性嵌入算法和三角形权重系数共享的三维悬垂模型重采样方法。首先通过局部线性嵌入将三维悬垂模型映射到平面圆内部;然后利用统一的均匀离散点对平面圆内的映射结果重采样;最后基于三角形权重系数共享求得均匀离散点在三维悬垂模型表面的采样点。结果显示将三维悬垂模型映射到平面圆内时,三维悬垂模型中的三角形拉伸变形幅度较小,这使得本文提出的三维悬垂模型重采样点分布均匀,且不同织物的重采样三维模型具有相同的拓扑结构。（3）设计并实现了一个由模板圆网格、带有残差模块的卷积神经网络和图卷积神经网络组成的三维悬垂模型重建网络,其中带有残差模块的卷积神经网络用来提取输入图像的嵌入特征,图卷积神经网络以图像的嵌入特征为约束驱动模板圆网格变形。通过该模型能够从单张图像重建三维悬垂模型。误差统计结果（顶点误差平均值为2.3031mm,悬垂角相对误差平均值为2.7099%）显示该方法所重建的三维悬垂模型具有较好的精度,可用于不具备三维扫描条件的应用场合。（4）针对悬垂形态的匹配问题,分析比较了三种不同的匹配方案,分别为基于悬垂指标主成分（Ipca）、基于悬垂模型曲率主成分（Cpca）及基于两者的组合特征（I Cpca）的悬垂模型匹配方法;对于同一种数据集,悬垂模型召回率由低到高排序为Ipca<Cpca<ICpca;若Ipca与Cpca按照ICpca=[λi·Ipca（?）（1-λi）·Cpca]的方式组合（其中（?）表示特征串联）,当λi的取值范围在0.855到0.895之间时悬垂模型的召回率相对较高。（5）为了探究织物的性（织物力学性能）与形（悬垂形态）之间的互相映射关系,进而寻找出一种根据悬垂模型预测织物力学性能的可能途径,分别采用BP神经网络和深度神经网络探索了回归任务和分类任务的可行性,其中,在由性→形的映射中,通过BP神经网络,将织物面密度（Gk）、经向弯曲刚度（Bwarp）和纬向弯曲刚度（Bweft）、经向剪切刚度（Swarp）和纬向剪切刚度（Sweft）等作为输入,可以较好地预测织物的悬垂系数（DC）和悬垂角（DA）;而在由形→性的映射中,将ICpca与Gk组合为一个综合特征向量,输入BP神经网络,可预测织物的Bwarp、Bweft、Swarp、Sweft,其中,Bwarp和Bweft的预测值与真实值具有较高的相关系数,而Swarp和Sweft的预测值与真实值的相关系数相对于Bwarp和Bweft较低。此外,将形→性映射看作分类任务,首先利用K均值聚类,按照rb/g（Bwarp和Bweft之和与Gk的比值）赋予织物不同类别下的真值标签（具体为二分类和三分类任务）,通过迁移学习,训练多种不同的深度神经网络,根据悬垂模型的灰度图像判断织物的rb/g等级。结果显示五种分类模型的二分类准确率要高于三分类准确率;两种分类准确率分别相当于人类识别率的94.43%～94.58%（二分类）与96.8%～97.8%（三分类）,证明了机器学习与深度学习方法在性形互相映射中具有较好的可行性。