我们提出了一种方法，将形状表示为可学习的基本3D结构的变形和组合，这些基本结构是通过对一系列形状进行训练而得到的原始结构。我们证明了所学习的基本3D结构在3D形状生成和匹配方面带来了显著的改进。具体而言，我们介绍了两种互补的学习基本结构的方法：(i) 片段变形学习（patch deformation learning）和 (ii) 点位移学习（point translation learning）。这两种方法都可以扩展到更高维度的抽象结构，以获得更好的结果。我们在两个任务上评估了我们的方法：重建ShapeNet对象和估计人体扫描之间的密集对应关系（FAUST国际挑战赛）。结果显示，我们的方法在形状重建方面比表面变形方法提高了16%，并且在FAUST国际挑战赛中超越了现有最佳方法6%。