Nous proposons une méthode d'ajustement de surface pour des nuages de points 3D non structurés. Cette méthode, appelée DeepFit, intègre un réseau neuronal pour apprendre les poids ponctuels utilisés dans l'ajustement de surface par moindres carrés pondérés polynomiaux. Les poids appris agissent comme une sélection douce du voisinage des points de surface, évitant ainsi le choix d'échelle nécessaire aux méthodes précédentes. Pour entraîner le réseau, nous avons élaboré une nouvelle perte de cohérence de surface qui améliore l'estimation des poids ponctuels. Cette méthode permet d'extraire des vecteurs normaux et d'autres propriétés géométriques, telles que les courbures principales, ces dernières n'ayant pas été présentées en tant que vérité terrain lors de l'entraînement. Nous obtenons des résultats à la pointe de la technologie sur un ensemble de données de référence pour l'estimation des normales et des courbures, démontrons sa robustesse face au bruit, aux valeurs aberrantes et aux variations de densité, et montrons son application à la suppression du bruit.