Le nuage de points est considéré comme une représentation adéquate des données 3D, et la plupart des capteurs 3D sont capables de générer ce type de données. En raison de sa structure irrégulière, l'analyse de ces données par des algorithmes d'apprentissage profond s'avère particulièrement difficile. Dans cet article, nous proposons un nouveau réseau de neurones convolutifs, appelé Point-PlaneNet, qui exploite le concept de distance entre les points et les plans afin de capturer les corrélations spatiales locales. Dans la méthode proposée, une opération locale simple et alternative, nommée PlaneConv, est introduite pour extraire des caractéristiques géométriques locales à partir des nuages de points en apprenant un ensemble de plans dans l'espace ℝⁿ. Notre réseau prend directement en entrée des nuages de points bruts, évitant ainsi la nécessité de transformer ces derniers en images ou en volumes. PlaneConv bénéficie d'une analyse théorique simple et s'intègre aisément dans des modèles d'apprentissage profond afin d'améliorer leurs performances. Pour évaluer la méthode proposée sur des tâches de classification, de segmentation de parties et de segmentation sémantique de scènes, nous l'avons appliquée à quatre jeux de données : ModelNet-40, MNIST, ShapeNet-Part et S3DIS. Les résultats expérimentaux démontrent une performance satisfaisante de la méthode proposée par rapport aux approches antérieures dans toutes les tâches.