1.一种基于特征简化和神经网络的三维模型识别方法，获取零件的原始模型的所有三角网格信息，包括其关键特征，设置简化率，其特征是还包括以下步骤：步骤(1)：对原始模型中的三角网格的每条有效边都计算出对应的收缩成本，将所有的收缩成本排序，移除最小收缩成本对应的有效边并收缩该有效边，直到所有有效边收缩完毕，获得三角网格模型；

选择原始模型的一条有效边(v1，v2)，先计算有效边(v1，v2)上的两点v1，v2的二次误差矩阵Q(v1)，Q(v2)以及最优收缩点vf的二次误差矩阵Q(vf)，再计算出最优收缩点vf，最后计算出该有效边(v1，v2)的收缩成本 T为矩阵转置；如此循环往复获得了所有有效边的收缩成本；

所述的二次误差矩阵 Q(vf)＝Q(v1)+Q

(v2)；所述的最优收缩点 plance(v1)，plance(v1)分别是与点点v1，v2相邻的所有三角形平面，qij是二次误差矩阵Q(vf)中第i行第j列的元素，T其中P＝[a b c d]，a，b，c，d分别是对应的三角形平面方程ax1+by1+cz1+d＝0的系数，x1，y1，z1是空间坐标；

所述的有效边(v1，v2)为v1，v2两个点相连接形成的边或者v1，v2两个点之间的距离小于一个设定阈值形成的边；

步骤(2)：对步骤(1)中所述的三角网格模型上的关键特征进行拾取，与所述的原始模型上的关键特征对比，若两者相匹配，则该三角网格模型为最优的网格简化模型；

如果三角网格模型上的关键特征与原始模型上的关键特征没有完整匹配，则增加所述的简化率，重复步骤(1)，直至全部关键特征完整匹配为止；

步骤(3)：对所述的最优的网格简化模型的每个三角网格数据进行提取，得到每个三角形对应的中心坐标、法向量、角向量以及邻接三角形编号这些三角网格数据；

步骤(4)：将步骤(3)中所述的三角网格数据作为神经网络的输入，零件的实际三维模型类型作为输出训练神经网络，得到最优神经网络模型；

步骤(5)：针对待识别零件，执行与步骤(1)～(3)雷同的方法，获得待识别零件的三角网格数据，将待识别零件的三角网格数据输入最优神经网络模型，识别出其三维模型类型。

2.根据权利要求1所述的一种基于特征简化和神经网络的三维模型识别方法，其特征是：步骤(3)的具体方法是：步骤1)，以所述的最优的网格简化模型所在的坐标原点为旋转轴的原点，随机生成一个单位向量，与坐标原点组成旋转轴，随机生成旋转角度θ∈[0,2π]，旋转最优的网格简化模型；

步骤2)，提取旋转后的最优的网格简化模型中的每个三角形的法向量 以及三个顶角的坐标P1、P2、P3，计算出所有三角形顶角距离该三角形中心的距离d，比较所有距离的大小，获得最大距离dmax，将每个三角形顶角坐标都乘上 归一化后得到三个归一化的顶点坐标为步骤3)，根据归一化后计算出每个三角形的中心坐标Co和每个三角形三个顶角构成的角向量；

步骤4)，对每一个三角形以及每个三角形的三个邻接面编号。

3.根据权利要求2所述的一种基于特征简化和神经网络的三维模型识别方法，其特征是：所述的距离 x，y，z为三角形顶角的坐标，所述的归一化后的三个顶点坐标为 所述的中心坐标 所述的每个三角形三个顶角构成的角向量为：

4.根据权利要求3所述的一种基于特征简化和神经网络的三维模型识别方法，其特征是：对所述的中心坐标、法向量、角向量、邻接三角形编号这些三角网格数据进行汇总，形成集合 得到三角网格数据集 S为最优的网格简化模型中三角网格的总个数，k代表每个三角形，num为邻接面集合。

5.根据权利要求2所述的一种基于特征简化和神经网络的三维模型识别方法，其特征是：每旋转一个θ角度，得到 个三角网格数据。