近年来,随着3D传感器功能的愈发强大,3D数据的获取也越来越容易。而3D数据更加接近现实世界维度,能够更加逼真地展示现实世界的方方面面,这也导致了当前VR,AR等3D应用的愈发火爆。如何理解这些3D数据成为了人们的迫切需求。而文字是人类文明的高度凝练和智慧结晶,让人们能够交流思想,感受和想法,精准地描述现实世界,是人类理解世界的主要方式之一。找到文字和3D数据之间的某种仍未发现的内在联系成为了人们的兴趣。本文的文本和3D形状的相互转化系统则试图在自然语言和3D视觉模式之间发现一种内在联系。本文通过系统需求分析,将整个系统合理划分为三个模块,设计并实现了:(1)实例级关联学习,结合联合学习与度量学习,解决文本和3D形状之间的跨模态语义联系学习问题;(2)文本嵌入解码器,使用GRU Encoder-Decoder模型,解决长短期记忆学习和参数量问题,使得文本和文本嵌入的相互转化更加准确高效;(3)文本嵌入和3D形状相互转化的模型,使用CycleGAN算法,充分利用文本嵌入和3D形状之间的监督信息,解决两者相互转化的对应问题,从而提高整个系统的转化准确率。最后的实验结果证明本文的系统效果比之前的相关系统方法表现优异。本文弥补了文本和3D形状的跨模态学习和转化的技术空白,通过跨模态学习,文本与文本嵌入的相互转化,以及文本嵌入和3D形状的相互转化,间接设计并实现了文本与3D形状的相互转化系统。该系统能够减少节省时间,金钱和人力成本,具有一定的商业价值,同时,对于未来的自然语言和3D视觉模式之间内在关联的应用研究和落地产品有一定的参考意义。