Cet article présente une nouvelle architecture d'apprentissage profond appelée PointGrid, conçue pour la reconnaissance de modèles 3D à partir de nuages de points non structurés. L'architecture nouvelle intègre le nuage de points d'entrée dans une grille 3D grâce à une stratégie d'échantillonnage simple mais efficace, et apprend directement les transformations et les caractéristiques à partir de leurs coordonnées brutes. La méthode proposée constitue une intégration de la représentation par points et par grille, formant un modèle hybride qui exploite la simplicité des approches basées sur les grilles, telles que VoxelNet, tout en évitant la perte d'information inhérente à ces dernières. PointGrid apprend des informations globales plus efficaces que PointNet, tout en étant nettement plus simple que PointNet++, Kd-Net, Oct-Net et O-CNN, tout en offrant une précision de reconnaissance comparable. Des expériences menées sur des benchmarks populaires de reconnaissance de formes démontrent que PointGrid atteint des performances compétitives par rapport aux méthodes d'apprentissage profond existantes, tant pour la classification que pour la segmentation.