La visión por computadora tiene actualmente muchas aplicaciones, como automóviles inteligentes, navegación de robots y fabricación asistida por computadora. La clasificación de objetos, en particular la clasificación 3D, es una parte importante de la visión por computadora. En este documento, proponemos un método novedoso, la firma del núcleo de onda (WKS) y un método de punto central (CP), que extrae características de color y distancia de un modelo 3D para abordar la clasificación de objetos 3D. La motivación de esta idea proviene de la naturaleza de la visión humana, en la que tendemos a clasificar un objeto según su color y tamaño. En primer lugar, encontramos un punto central de la malla para definir la característica de distancia. En segundo lugar, calculamos los autovalores de la malla 3D y los valores de WKS, respectivamente, para capturar la característica de color. Estas características serán una entrada de una arquitectura de red neuronal convolucional (CNN) 2D. Utilizamos dos conjuntos de datos de modelos 3D a gran escala: ModelNet10 y ModelNet40 para evaluar el método propuesto. Nuestros resultados experimentales muestran una mayor precisión y eficiencia que otros métodos. El método propuesto podría aplicarse a problemas del mundo real como la conducción autónoma y la realidad aumentada/virtual.