Nous présentons les Réseaux de Neurones Convolutifs Équivariants par rapport à un Groupe (G-CNNs), une généralisation naturelle des réseaux de neurones convolutifs qui réduit la complexité d'échantillonnage en exploitant les symétries. Les G-CNNs utilisent des G-convolutions, un nouveau type de couche qui bénéficie d'un degré considérablement plus élevé de partage des poids que les couches de convolution régulières. Les G-convolutions augmentent la capacité expressive du réseau sans augmenter le nombre de paramètres. Les couches de convolution de groupe sont faciles à utiliser et peuvent être implémentées avec un surcoût computationnel négligeable pour les groupes discrets générés par des translations, des réflexions et des rotations. Les G-CNNs obtiennent des résultats d'état de l'art sur CIFAR10 et MNIST tourné.