近年来,随着无人驾驶、虚拟现实及三维场景漫游等技术的快速发展,三维场景理解被广泛应用于各个领域。作为场景理解中最具挑战性的任务之一,三维模型识别已经成为三维计算机视觉和计算机图形学领域的一个研究热点。尽管现阶段已经取得了很多的成果,我们仍然面临着一些挑战。一方面,现有的基于三维网格模型的多视图方法识别准确率还存在提升的空间;另一方面,点云被越来越多的应用于各个领域,目前在点云上基于深度学习的方法还很少,且缺乏轻量级的高效率点云实时识别网络模型。基于深度学习技术,本文对三维模型识别中存在的上述问题进行了深入研究,主要工作有以下三点:(1)针对三维网格模型的分类需求,提出一种端到端集成深度学习网络EnsembleNet。将集成学习的思想融入深度学习,自动学习多视图特征生成三维模型类标签;针对该网络的特点提出层次迭代式训练方法。在ModelNet10、ModelNet40上分别取得了96%、92%的分类精度。(2)针对三维点云模型的分类需求,提出一种卷积点云网络Point CNN。将无序点云转化为有序的二维图像,使用反卷积网络进行高分辨率重建,使用卷积网络进行特征提取完成模型分类。在ModelNet10、ModelNet40上分别取得了92.6%、88.3%的分类精度。(3)针对三维点云模型的实时识别需求,提出一种轻量级点云网络LightPointNet。该网络结构紧凑、框架清晰、参数少、运行效率高。本方法与经典点云网络PointNet相比较,在Model Net10和ModelNet40的分类准确率分别提高了1%和0.1%,而训练参数仅为后者的2.1%,满足三维点云模型的实时识别需求。