Dans cet article, nous proposons un algorithme de débruitage vidéo basé sur une architecture de réseau convolutif. Alors que ces réseaux ont déjà montré toute leur efficacité pour le débruitage d'image, ils ne permettaient pas encore de rivaliser avec les méthodes plus classiques de l'état de l'art (comme celles utilisant des patchs) pour le débruitage vidéo. Notre approche permet de dépasser ces limites tout en assurant des temps de calcul nettement plus courts que les méthodes de débruitage vidéo classiques. Contrairement à d'autres approches par réseaux de neurones existants, notre algorithme présente plusieurs propriétés souhaitables telles qu'une faible empreinte mémoire, et la capacité à gérer une large gamme de niveaux de bruit avec un seul réseau, ce qui le rend très attractif pour les applications pratiques. Nous comparons notre méthode avec différents algorithmes de l'état de l'art, à la fois visuellement et pour des mesures de qualité. Les expériences montrent que notre algorithme obtient des performances supérieures ou identiques à d'autres méthodes de l'état de l'art, pour un coût de calcul nettement plus faible. Différents exemples de vidéos, les codes et l'architecture utilisés sont disponibles à l'adresse https://github.com/m-tassano/ dvdnet. Abstract-In this paper, we propose a state-of-the-art video denoising algorithm based on a convolutional neural network architecture. While neural network based approaches are nowadays state-of-the-art in image denoising, these methods have been unsuccessful for video denoising as their performance cannot compete with the performance of patch-based methods. However, our approach outperforms other patch-based competitors with significantly lower computing times. In contrast to other existing neural network denoisers, our algorithm exhibits several desirable properties such as a small memory footprint, and the ability to handle a wide range of noise levels with a single network model. The combination between its denoising performance and lower computational load makes this algorithm attractive for practical denoising applications. We compare our method with different state-of-art algorithms, both visually and with respect to objective quality metrics. The experiments show that our algorithm compares favorably to other state-of-art methods. Video examples, code and models are publicly available at https://github.com/m-tassano/dvdnet.