L'apprentissage de représentations sur des graphes joue un rôle crucial dans de nombreuses tâches de reconnaissance de formes. Contrairement aux images et vidéos en grille, où les noyaux de convolution locaux peuvent être des treillis, les graphes sont entièrement sans coordonnées sur les sommets et les arêtes. Dans ce travail, nous proposons un cadre de convolution induite par la loi normale (GIC) pour effectuer un filtrage de convolution locale sur des graphes irréguliers. Plus précisément, un modèle mélange gaussien induit par les arêtes est conçu pour encoder les variations d'une région sous-graphe en intégrant l'information des arêtes dans des modèles gaussiens pondérés, chacun implicitement caractérisant une composante des variations sous-graphe. Pour réduire la taille d'un graphe, nous dérivons un modèle mélange gaussien induit par les sommets afin de regrouper dynamiquement ces derniers selon la connexion des arêtes, ce qui est approximativement équivalent à une coupure pondérée du graphe. Nous avons appliqué notre réseau de convolution graphique multicouche à plusieurs jeux de données publics pour la classification de graphes. Les expériences approfondies montrent que notre GIC est efficace et peut atteindre des résultats d'état de l'art.