Dans cet article, nous proposons une méthode d'estimation des normales pour des nuages de points 3D non structurés. Cette méthode, appelée Nesti-Net, repose sur une nouvelle représentation locale des nuages de points qui consiste en des statistiques multi-échelles (MuPS) estimées sur une grille gaussienne locale grossière. Cette représentation est un entrée appropriée pour une architecture de réseau neuronal convolutif (CNN). Les normales sont estimées à l'aide d'une architecture de mélange d'experts (MoE), qui s'appuie sur une approche guidée par les données pour sélectionner l'échelle optimale autour de chaque point et favorise la spécialisation des sous-réseaux. Des observations intéressantes concernant la répartition des ressources du réseau sont fournies. La prédiction d'échelle améliore considérablement la robustesse face à différents niveaux de bruit, variations de densité de points et différents niveaux de détail. Nous obtenons des résultats à l'état de l'art sur un jeu de données synthétiques de référence et présentons des résultats qualitatifs sur des scènes réelles numérisées.