Cet article présente les Réseaux de neurones convolutifs sur les nuages de points (PCNN), un cadre novateur permettant d'appliquer les réseaux de neurones convolutifs aux nuages de points. Ce cadre repose sur deux opérateurs : l'extension et la restriction, qui permettent de passer des fonctions définies sur des nuages de points aux fonctions volumétriques, et inversement. La convolution sur nuage de points est définie comme le tirage arrière de la convolution volumétrique euclidienne, réalisée via un mécanisme d'extension-restriction.La convolution sur nuage de points est efficace du point de vue computationnel, invariante par permutation des points du nuage, robuste aux différentes densités d'échantillonnage, et invariante par translation, c’est-à-dire qu’elle utilise le même noyau de convolution à tous les points. Les PCNN généralisent les réseaux de neurones convolutifs pour images et permettent d’adapter aisément leurs architectures au contexte des nuages de points.L’évaluation des PCNN sur trois benchmarks fondamentaux du traitement des nuages de points montre une performance supérieure nette par rapport aux méthodes concurrentes de traitement des nuages de points, ainsi qu’à la majorité des approches exploitant des représentations de forme plus riches, telles que les surfaces et/ou les normales.