La reconnaissance de lieux basée sur les nuages de points reste un problème ouvert en raison des difficultés à extraire des caractéristiques locales à partir du nuage de points 3D brut et à générer le descripteur global. Ce défi est encore plus important dans les environnements dynamiques à grande échelle. Dans cet article, nous développons un nouveau réseau neuronal profond, nommé LPD-Net (Large-scale Place Description Network), capable d'extraire des descripteurs globaux discriminants et généralisables à partir du nuage de points 3D brut. Nous proposons deux modules : le module d'extraction de caractéristiques locales adaptatif et le module d'agrégation de voisinage basé sur les graphes. Ces modules contribuent à l'extraction des structures locales et à la révélation de la distribution spatiale des caractéristiques locales dans le nuage de points à grande échelle, de manière end-to-end. Nous mettons en œuvre le descripteur global proposé pour résoudre les tâches de recherche basées sur les nuages de points, afin d'atteindre une reconnaissance de lieux à grande échelle. Les résultats comparatifs montrent que notre LPD-Net est nettement supérieur à PointNetVLAD et atteint l'état de l'art. Nous comparons également notre LPD-Net avec les solutions basées sur la vision pour démontrer la robustesse de notre approche face aux différentes conditions météorologiques et lumineuses.