Les nuages de points sont des données non structurées et non ordonnées, contrairement aux images. Par conséquent, la plupart des approches d'apprentissage automatique développées pour les images ne peuvent pas être directement transférées aux nuages de points. Dans cet article, nous proposons une généralisation des réseaux neuronaux convolutifs discrets (CNNs) afin de traiter les nuages de points en remplaçant les noyaux discrets par des noyaux continus. Cette formulation est simple, permet des tailles de nuages de points arbitraires et peut facilement être utilisée pour concevoir des réseaux neuronaux similaires aux CNNs 2D. Nous présentons des résultats expérimentaux avec diverses architectures, soulignant la flexibilité de l'approche proposée. Nous obtenons des résultats compétitifs comparables à l'état de l'art pour la classification de formes, le segmentage de parties et le segmentage sémantique à grande échelle des nuages de points.