Nous proposons une nouvelle méthode bayésienne non paramétrique pour apprendre des relations invariantes par translation sur des domaines non euclidiens. Les processus gaussiens à convolution de graphe obtenus peuvent être appliqués à des problèmes d'apprentissage automatique où les observations d'entrée sont des fonctions dont les domaines sont définis sur des graphes généraux. La structure de ces modèles permet de traiter des entrées de grande dimension tout en conservant leur expressivité, comme c'est le cas pour les réseaux neuronaux convolutifs. Nous présentons des applications des processus gaussiens à convolution de graphe aux images et aux maillages triangulaires, démontrant leur polyvalence et leur efficacité, et obtenant des résultats comparables aux méthodes existantes, malgré leur relative simplicité.