提出了一种基于平面补丁的自适应八叉树卷积神经网络（Octree Convolutional Neural Networks,O-CNN），用于进行有效的三维形状编码和解码。不同于基于体素或基于八叉树的卷积神经网络（Convolutional Neural Networks,CNN），以相同的分辨率表示具有体素的三维形状，O-CNN可自适应地表示具有不同层次的八叉树节点的三维形状，并使用平面补丁对每个八叉树节点内的三维形状进行建模。依据这种自适应表示设计了一种用于编码和解码三维形状的自适应O-CNN编码器和解码器。自适应O-CNN编码器将平面补丁法线和位移作为输入，仅在每个级别的八叉树节点上执行三维卷积操作，而自适应O-CNN解码器则推断每个层次的八叉树节点的形状占有率和细分状态，并估计每个最佳叶八叉树节点的平面法线和位移。通过对单个图像的形状预测验证了自适应O-CNN的生成任务的效率和有效性，倒角距离误差为0.274，低于OctGen的倒角距离误差0.294，取得了更好的重建效果。作为3D形状分析和生成的通用框架，基于平面补丁的自适应O-CNN不仅减少了内存和计算成本，而且比现有的3D-CNN方法具有更好的形状生成能力。