Nous présentons une approche pour l'apprentissage de caractéristiques qui représentent la géométrie locale autour d'un point dans un nuage de points non structuré. Ces caractéristiques jouent un rôle central dans le recalage géométrique, qui soutient diverses applications en robotique et en vision 3D. Les caractéristiques locales actuelles les plus avancées pour les nuages de points non structurés ont été conçues manuellement, et aucune ne combine les propriétés souhaitables de précision, de compacité et de robustesse. Nous montrons que des caractéristiques possédant ces propriétés peuvent être apprises à partir des données, en optimisant des réseaux profonds qui transforment des histogrammes de haute dimension en espaces euclidiens de basse dimension. L'approche présentée génère une famille de caractéristiques paramétrées par la dimension, qui sont à la fois plus compactes et plus précises que les descripteurs existants.