نقدم شبكات العصبيات التلافيفية المستندة إلى السبلاين (SplineCNNs)، وهي نسخة من الشبكات العصبية العميقة مصممة للتعامل مع المدخلات ذات الهيكل غير المنتظم والهندسي، مثل الرسوم البيانية أو الشبكات. إسهامنا الرئيسي هو في تصميم مشغل تلوفي جديد يعتمد على السبلاينات من الدرجة ب (B-splines)، مما يجعل وقت الحساب مستقلاً عن حجم النواة بسبب خاصية الدعم المحلي لدوال أساس السبلاين. نتيجة لذلك، نحصل على تعميم للمشغل التلوفي التقليدي لشبكات العصبيات التلافيفية من خلال استخدام دوال نواة متصلة معتمدة على عدد ثابت من الأوزان القابلة للتدريب. بخلاف النهج المرتبطة التي تقوم بالتصفية في المجال الطيفي، فإن الطريقة المقترحة تقوم بتجميع الخصائص بشكل صرف في المجال المكاني. بالإضافة إلى ذلك، تسمح SplineCNN بتدريب كامل ومتواصل للهياكل العميقة باستخدام الهيكل الهندسي كمدخل فحسب، بدلاً من الوصفات الخصائصية اليدوية. للتحقق، نطبق طريقتنا على مهام من مجالات تصنيف الرسوم البيانية للصور، والتوافق بين الأشكال، وتصنيف العقد في الرسم البياني، ونظهر أنها تتفوق أو تعادل أفضل الأساليب الحالية بينما تكون أسرع بكثير ولديها خصائص مفضلة مثل الاستقلال عن المجال.