私たちは変形可能な形状のマッチングに向けた新しい深層学習アプローチを提案します。このアプローチでは、3D形状と対応関係を同時に符号化する{\it Shape Deformation Networks（形状変形ネットワーク）}を導入します。これは、表面表現を以下の2つの要素に分解することで実現されます。(i) 表面をパラメータ化するテンプレート、および (ii) テンプレートを入力形状に変換するための学習済みの全般的特徴ベクトルです。新しい形状に対してこの特徴ベクトルを予測することで、その形状とテンプレートとの間の対応関係が暗黙的に予測されます。さらに、入力形状と変換されたテンプレート間のチャムファー距離を最小化することにより、形状特徴ベクトルを改善し、対応関係の精度を向上させることができます。我々は、難易度の高いFAUST-interチャレンジにおいて、平均対応誤差2.88cmで最先端の結果を超えることを示しました。TOSCAデータセットでの評価により、当方法が多くの種類の摂動に対して堅牢であり、非人間的な形状にも一般化できることを確認しました。この堅牢性により、SCAPEデータセットからの実際の不純物混入メッシュでも良好な性能を発揮することが可能となりました。