Nous présentons PPFNet - Point Pair Feature Network (Réseau de caractéristiques de paires de points) pour l'apprentissage profond d'un descripteur local 3D informé globalement, afin de trouver des correspondances dans des nuages de points non organisés. PPFNet apprend des descripteurs locaux sur la géométrie pure et est très sensible au contexte global, une indication importante en apprentissage profond. Notre représentation 3D est calculée comme une collection de caractéristiques de paires de points combinées avec les points et les normales dans un voisinage local. La conception de notre réseau invariant par permutation s'inspire de PointNet et rend PPFNet indépendant de l'ordre. Contrairement à la voxelisation, notre méthode est capable d'utiliser des nuages de points bruts pour exploiter toute la parcimonie. PPFNet utilise une nouvelle fonction de perte $\textit{N-uplet}$N-uplet et une architecture qui intègre naturellement l'information globale au descripteur local. Il démontre que la prise en compte du contexte améliore également la représentation des caractéristiques locales. Les évaluations qualitatives et quantitatives de notre réseau suggèrent une augmentation du rappel, une meilleure robustesse et invariance, ainsi qu'une étape cruciale dans les performances d'extraction des descripteurs 3D.