L'analyse des propriétés géométriques et sémantiques des nuages de points 3D à travers les réseaux profonds reste un défi en raison de l'irrégularité et de la rareté des échantillonnages de leurs structures géométriques. Cet article présente une nouvelle méthode pour définir et calculer la convolution directement sur les nuages de points 3D grâce à la convolution annulaire proposée. Ce nouvel opérateur de convolution peut mieux capturer la géométrie du voisinage local de chaque point en spécifiant des structures et des directions en forme d'anneau (régulières et dilatées) dans le calcul. Il peut s'adapter à la variabilité géométrique et à l'évolutivité au niveau du traitement du signal. Nous l'appliquons aux réseaux neuronaux hiérarchiques développés pour la classification d'objets, la segmentation de parties et la segmentation sémantique dans des scènes à grande échelle. Les expériences étendues et les comparaisons montrent que notre approche surpassent les méthodes de pointe sur une variété de jeux de données standards (par exemple, ModelNet10, ModelNet40, ShapeNet-part, S3DIS et ScanNet).