如今,随着计算机技术以及倾斜摄影等技术的快速发展,三维模型数据信息的获取与存储越来越便利。三维模型数据相对于二维图片数据,更加立体、直观,能更真实地刻画现实世界。目前三维模型数据信息已广泛应用于工厂建模、城市导航系统、三维医疗技术以及3D电影等多个方面。因此,针对于此类三维模型数据信息,相关的快捷处理与检索方法成为研究热点。实际应用中,三维模型数据信息的处理仍然存在很多问题和挑战,典型的如:在理论层面,对实际复杂物体的建模难以精准复现该物体,导致得到的三维模型存在漏洞;在信息获取层面,对实际复杂物体的信息采集存在采样误差,导致了三维模型数据分辨率低等问题。因此,在应用的过程中如何设计高效的三维模型检索方法,具有重大的实际意义和价值。而三维模型识别与检索的关键在于如何从三维模型的点云和三角面片信息中提取能够表征模型形状的描述子。本文首先基于三维模型的点云和三角面片信息计算了模型的尺度不变热核特征（Si HKS）和尺度不变波核特征（Si WKS）,并利用核密度估计方法拟合了两类数据的分布情况,通过离散采样的方式得到模型的初级形状描述子;随后,为了能够提取三维模型在不同频率上的描述子间的关联关系,本文设计了基于双向长短期记忆网络（Bi LSTM）与注意力机制相结合的网络来学习模型的高级特征,并分析了特征的抗噪性能;最后为了能够充分利用不同类型特征的优点,实现优势互补,本文通过对基于权重的融合方式、基于核典型相关性分析融合方式以及基于多层前馈神经网络融合方式进行理论和实验比较,最终选择多层前馈神经网络将Bi LSTM+Attention网络提取到的高级特征进行特征融合,得到最新的形状描述子。通过计算形状描述子间的欧式距离来表示模型间的相似程度,完成三维模型的检索任务。通过在多个公开模型数据库上的实验验证,证明了本文方法提取到的形状描述子能够很好的表征模型,并且具有克服形变,抗噪声等多个特性。通过与其它方法的比较,验证了本文方法的有效性和鲁棒性。