1.一种基于块卷积神经网络的多视图三维模型检索方法，其特征在于，包括：a)渲染三维模型得到三维模型的N个二维视图；

b)将每个二维视图输入卷积神经网络，每个二维视图得到M个特征块，每个特征块的特征维度为P维；

c)将每个特征块在P维的特征空间中根据欧氏距离寻找其k个近邻的块，利用中心块和k个近邻的块共同构建近邻图，每个近邻图包括k+1个顶点和k条无向边，k条无向边分别连接中心块和k个近邻块，采用(pi,pj‑pi)表示无向边的边特征，其中pi为中心块，pj为第j个近邻块，使用三维坐标(x,y,z)表示块在第z张二维视图的第x行第y列，两个块之间的边特征表示为(pi,pj‑pi,ci,cj‑ci)，ci为中心块的三维坐标，cj为第j个近邻块的三维坐标，边特征的维度为E维，通过公式 对块进行卷积操作，得到新的块特征pi′，式中h为非线性函数，N(i)为第i个样本通过KNN算法获得的邻域样本；

d)将新的块特征pi′使用平均池化层融合块特征得到每张二维视图的视图特征，对视图特征使用一维卷积提取相邻视图之间的关系，通过最大视图池化得到二维视图的池化后的特征g，通过公式 计算池化后的特征g与第j个视图特征fj之间的余弦相似度sj(fj,g)，式中D为特征维度，k为第k个维度，通过公式计算第j个二维视图余弦相似度的权重αj，式中si(fi,g)为池化后的特征g与第i个视图特征fi之间的余弦相似度，通过公式fj′＝αj×fj计算加权后的视图特征fj′，通过公式 计算加权后的模型特征g′；

e)根据公式LDis＝β×Lmodel+γ×Lviews计算损失函数LDis，式中Lmodel为模型特征g′产生的损失函数值，Lviews为视图特征fj′产生的损失函数值，β为表示Lmodel权重大小的超参，γ为表示Lviews权重大小的超参， 式中 为第j个二维视图的视图特征产生的损失函数值；

f)对于给定的一个三维模型，在目标数据集中检索得到与该模型最相似的三维模型。

2.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤a)中的三维模型为计算机生成的三维模型，计算机渲染三维模型得到多个二维视图。

3.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤a)中的三维模型为现实世界物体，物体周围设置X个不同角度的摄像头来获取物体在不同角度下的二维视图。

4.根据权利要求3所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：在物体周围圆周方向上每隔30度设置一个相机，通过设置12个相机得到12张二维视图。

5.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤b)中每个二维视图经过卷积神经网络后由7×7的块特征表示，每个块特征的特征维度是512。

6.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤c)中k设置为12，E设置为1024。

7.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤d)中使用7×7的平均池化层融合块特征，使用卷积核大小为3的一维卷积来提取相邻视图之间的关系。

8.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤e)中β＝0.5，γ＝0.5。

9.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤e)中将每个二维视图的损失值权重设为αj′， 通过公式计算视图特征fj′产生的损失函数值。

10.根据权利要求1所述的基于块卷积神经网络的多视图三维模型检索方法，其特征在于：步骤f)中分别提取被检索模型和查询集中所有模型的模型特征，利用公式计算得到被检索模型的模型特征p与查询集中所有模型的模型特征q之间的欧氏距离D(q,p)，式中pi为被检索模型的模型特征p中第i维的特征值，qi为查询集中所有模型的模型特征q中第i维的特征值，n为特征维度，通过公式Redist(qi,gj)＝1‑prob(gj|label＝qi))×D(p,q)计算重排后的距离Redist(qi,gj)，式中prob(gj|label＝qi)为与被检索模型属于同一类的概率。