三维CAD技术已成为制造业企业在产品设计与制造环节不可或缺的辅助手段。通过调查与统计分析表明,设计师在开发新的产品的过程中,会有约40%的设计是沿用过去已存在的部件,会有近40%的设计是对已有设计进行改进,只有约20%的设计依凭全新的构思。能够正确分类、检索和重用已设计的三维CAD模型,可有效的降低产品设计时间,缩减产品设计成本。然而,传统的CAD模型分类过程中耗费的时间与资源代价高昂,工程师在单调冗长的操作中时常会发生错误.因此针对于CAD模型,开发一种自动且快速的检索方法是十分必要的。基于深度学习在图像、自然语言等领域所取得的优秀的分类效果,本课题拟将深度学习技术引入三维CAD模型的分类当中,实现CAD模型无监督的分类。为了实现三维模型分类与深度学习算法的有效结合,本文做了以下两个方面的研究:·由于三维模型本身的复杂性,无法将模型本身作为深度神经网络模型的直接输入,因此,需要选取适当的描述符对其进行预处理操作。通过对现有的三维模型的描述符的比对与研究,本文选择了可以将三维模型转换为参数化函数的基于形状的D2描述符。该描述符通过获取模型表面任意两点间的距离,利用形状函数计算形状概率分布,对模型特征进行刻画,该计算过程相对简单。D2形状概率分布具有两个方面的优越性:一方面当三维CAD模型发生旋转、缩放、平移等变换时,D2描述符能够较好地刻画原始模型;另一方面,若模型出现较小的边界波动,D2描述符也具有相对理想的抗干扰性,该描述符所表征的信息是三维模型中较为原始的几何信息,支撑以此为基础的更高层信息的获取,因此一定程度地避免了因特征描述符初步抽取造成的信息丢失。·通过对比现有的深度学习算法中的不同框架,了解多个框架的训练方式及特点,本文选择架构一个由多个限制性玻尔兹曼机(Restricted Boltzmann Machine,RBM)堆叠而成的深度置信网络对三维模型进行分类学习训练。这种层次结构可以将三维模型数据进行从低维到高维的特征提取,从而较好的解释模型数据。基于以上研究,本文基本实现了将深度学习算法和三维CAD模型分类的结合,通过三维CAD模型实例对该算法进行测试,初步验证了算法的有效性。