三维形状的风格转换是几何建模中最基本且经常遇到的问题之一,它可用于从现有的初级产品中生成更复杂和更具艺术性的产品以及帮助建模人员执行形状设计方面的任务。随着深度学习理论的发展与应用,三维形状的风格转换也从传统的手工设计转向基于深度学习的方法。目前,基于深度学习的三维形状风格转换方法是计算机图形学研究的热点之一。利用学习的方法改变三维形状的风格包括两个方面挑战:首先是缺乏不同风格的训练数据,其次是难以分解三维形状的多模态信息。针对这两个问题,本文提出了一种基于多视图的神经网络模型,在保留源形状的某些全局结构特征的同时,能够生成具有目标风格的新形状。给定在不同风格域中的两组形状（例如日式椅子和明式椅子）,首先计算每种形状的多视图表示,并基于这些表示学习它们之间的风格转换。这种多视图表示不仅保留了三维形状的结构细节,而且还确保了训练数据的丰富性。在测试阶段,通过多视图表示本文分别提取出源形状的风格特征和内容特征,将源形状的内容特征和目标域中新的风格特征进行组合,使用训练后的网络生成风格转换后的深度图。然后通过求解基于目标域的稳定性优化问题,将风格转换后的深度图融入到一个三维点云中,从而获得与目标形状具有相似风格的新形状。在实验部分,本文首先通过与其它的风格转换方法进行比较,证明所提出的方法优于最新的风格转换方法,能够生成逼真的具有目标风格的形状;其次通过比较不同的重建算法,证明利用3个视角的方法能够得到最好的重建结果;最后通过单视角三维重建实验证明了本文的方法能够利用单个视角的图像预测出足够的信息进行三维形状重建。