Recuperar las soluciones similares de la base de casos históricos para nuevos requisitos de diseño es el primer paso en el rediseño de partes mecánicas en el contexto del razonamiento basado en casos. Sin embargo, el método de recuperación manual tiene el problema de baja eficiencia cuando la base de casos es grande. Además, es difícil para los algoritmos de razonamiento simples (por ejemplo, razonamiento basado en reglas, árbol de decisiones) cubrir todas las características en soluciones de diseño complicadas. En este sentido, se establece un modelo de recuperación profunda text2shape para apoyar la recuperación de formas de partes mecánicas basadas en descripciones textuales, donde los textos sirven para describir las características estructurales de las partes mecánicas objetivo. Más específicamente, se aplica ingeniería de características para identificar las características estructurales clave de las partes mecánicas objetivo. Basado en las características estructurales clave identificadas, se construyó un conjunto de entrenamiento de 1000 muestras, donde cada muestra consistía en un párrafo de descripción textual de un grupo de características estructurales y la correspondiente forma 3D de las características estructurales. Se personalizaron algoritmos RNN y 3D CNN para construir el modelo de recuperación profunda text2shape. Se utilizaron experimentos ortogonales para modelar el torneado. Finalmente, la mayor precisión del modelo fue de 0.98; por lo tanto, el modelo puede ser efectivo para recuperar casos iniciales para el rediseño de partes mecánicas.