Punktwolken sind unstrukturierte und ungeordnete Daten, im Gegensatz zu Bildern. Daher können die meisten für Bilder entwickelten maschinellen Lernalgorithmen nicht direkt auf Punktwolken übertragen werden. In dieser Arbeit schlagen wir eine Verallgemeinerung diskreter Faltungsneuronaler Netze (CNNs) vor, um mit Punktwolken umzugehen, indem wir diskrete Kerne durch kontinuierliche ersetzen. Diese Formulierung ist einfach, ermöglicht beliebige Punktwolkengrößen und kann leicht zur Gestaltung von Neuronalen Netzen verwendet werden, ähnlich wie bei 2D-CNNs. Wir präsentieren experimentelle Ergebnisse mit verschiedenen Architekturen, die die Flexibilität des vorgeschlagenen Ansatzes hervorheben. Unsere Ergebnisse sind im Vergleich zum Stand der Technik bei der Formklassifizierung, Teilsegmentierung und semantischen Segmentierung für große Punktwolken wettbewerbsfähig.