Nous présentons O-CNN, un réseau neuronal convolutif (CNN) basé sur l'octree pour l'analyse de formes 3D. Notre méthode s'appuie sur la représentation par octree des formes 3D, en prenant comme entrée les vecteurs normaux moyens d'un modèle 3D échantillonné dans les octants les plus fins et en effectuant des opérations de CNN 3D sur les octants occupés par la surface de la forme 3D. Nous concevons une nouvelle structure de données octree pour stocker efficacement les informations des octants et les caractéristiques de CNN dans la mémoire graphique, et exécuter l'ensemble du processus d'entraînement et d'évaluation de O-CNN sur le GPU. O-CNN prend en charge diverses structures de CNN et fonctionne pour des formes 3D dans différentes représentations. En limitant les calculs aux octants occupés par les surfaces 3D, les coûts mémoire et computationnels de O-CNN augmentent quadratiquement avec la profondeur de l'octree, ce qui rend la CNN 3D réalisable pour des modèles 3D à haute résolution. Nous comparons les performances de O-CNN avec celles d'autres solutions existantes de CNN 3D et démontrons l'efficacité et l'efficience de O-CNN dans trois tâches d'analyse de formes : classification d'objets, recherche de formes et segmentation de formes.