El reconocimiento de formas en 3D se vuelve necesario debido a la popularidad de los recursos de datos en 3D. Este artículo tiene como objetivo presentar el nuevo método, la red híbrida de aprendizaje profundo red neuronal convolucional-máquina de vectores de soporte (CNN-SVM), para el reconocimiento en 3D. Los vértices de la malla 3D se interpolan para convertirse en Nubes de Puntos; esas Nubes de Puntos se rotan para la ampliación de datos en 3D. Obtenemos y almacenamos la proyección 2D de estos datos de ampliación en 3D en una matriz de 32 x 32 x 12, los datos de entrada de CNN-SVM. Se utiliza una CNN de ocho capas como algoritmo para la extracción de características, luego se aplica SVM para clasificar la extracción de características. Se utilizan dos grandes conjuntos de datos, ModelNet40 y ModelNet10, del modelo 3D para la validación del modelo. Según nuestros resultados experimentales numéricos, CNN-SVM es más preciso y eficiente que otros métodos. El método propuesto es un 13.48% más preciso que el método PointNet en ModelNet10 y un 8.5% más preciso que 3D ShapeNets para ModelNet40. El método propuesto funciona tanto con el modelo 3D en el sistema de realidad aumentada/virtual como en las Nubes de Puntos 3D, una salida del sensor LIDAR en autos de conducción autónoma.