三维模型在医学研究、建筑设计、三维动画制作、园林规划、增强现实等领域被广泛使用。随着社会的发展以及三维模型数据获取技术的不断完善,人们对三维模型产品的需求也逐日剧增。而三维建模的成本较高,为了充分利用现有的三维模型,通过信息检索三维模型来构建三维场景的技术有了极大的需求。其中,基于手绘草图的三维模型检索技术因其可以简单、便捷的进行人机交互,成为研究的热点之一。在实际应用中,手绘草图具有很强的不确定性和抽象性,且随着三维模型越来越复杂,导致基于手绘草图的三维模型检索也越来越困难。本文通过对三维模型的数据进行增强处理,然后在此基础上采用基于深度卷积神经网络的方法提取图像的全局特征和局部特征,并将二者进行融合作为检索匹配时的特征向量,从而有效地避免了传统特征表达能力弱的弊端,可以更好地适应大数据时代的模型检索,并达成可以基于手绘草图对三维模型进行检索的目标。具体内容如下:(1)为了与手绘草图进行特征匹配,将三维模型投影成二维并对数据进行增强处理。首先,随机进行三次旋转,每旋转一次对模型的八个象限方向进行投影来增强三维模型的投影视角,使得模型的投影视角满足实际需求。然后,本文对Canny算法的非极大值抑制和阈值的选取做了进一步的改进,使得边缘检测的效果加强。最后,在投影视图进行轮廓追踪的过程中优化八邻域轮廓追踪算法的遍历过程,使得遍历的时间缩短且错误率降低。经过数据增强后的投影视图便于后期特征值的提取,使得特征提取的模型具有更广泛的适用性。(2)为了提取更具辨别力的特征值,本文构建了一个可以融合全局和局部卷积特征的联合学习网络(Feature Extract Joint Learning Network,FEJLN)模型。该模型将残差网络作为基础网络提取低级特征,在此基础上再分别提取全局特征和局部特征,并按照一定的权重进行融合,以提高模型检索的准确性。融合两个网络的损失函数作为FEJLN模型的总损失函数,并在求其最小值的过程中不断调整网络的参数,提升模型检索的准确性和泛化能力。(3)在提取局部特征的过程中,本文设计了一种较为简便且性能良好的局部特征提取网络(Part Feature Network,PF＿Net)。将基础网络提取的低级特征进行水平分割,作为PF＿Net的输入,用全局平均池化代替全连接层来提取细粒度的图像特征。为了提高模型检索的准确率,PF＿Net增加一个1×1的卷积层对特征向量进行降维,并通过引入批正则化层,防止网络出现过拟合的现象。(4)基于上述过程,在SHREC’13和PSB的数据集上进行实验,以验证本文模型的有效性。结果表明,使用本文算法进行检索的准确率较其他模型提高了10%以上,为实现三维模型的检索提供了可靠依据。