Nous proposons 3DSmoothNet, un flux de travail complet pour l'appariement de nuages de points 3D à l'aide d'une architecture d'apprentissage profond siamoise et de couches entièrement convolutionnelles, en utilisant une représentation par valeur de densité lissée voxelisée (SDV). Cette dernière est calculée pour chaque point d'intérêt et alignée sur le repère de référence local (LRF) afin d'assurer l'invariance de rotation. Notre descripteur compact, appris et invariant par rotation, pour les nuages de points 3D atteint une moyenne de rappel de 94,9 % sur l'ensemble de données du benchmark 3DMatch, surpassant l'état de l'art de plus de 20 points de pourcentage avec seulement 32 dimensions en sortie. Cette très faible dimension en sortie permet une recherche quasi en temps réel des correspondances, avec un temps de traitement de 0,1 ms par point caractéristique sur un PC standard. Notre approche est agnostique aux capteurs et aux scènes grâce à la SDV, au LRF et à l'apprentissage de caractéristiques hautement descriptives avec des couches entièrement convolutionnelles. Nous démontrons que 3DSmoothNet formé uniquement sur des scènes intérieures RGB-D de bâtiments atteint une moyenne de rappel de 79,0 % sur des balayages laser d'égosylviculture extérieure, plus du double des performances du concurrent le plus proche basé sur l'apprentissage. Le code source, les données et les modèles pré-entraînés sont disponibles en ligne à l'adresse suivante : https://github.com/zgojcic/3DSmoothNet.