Puisque la majorité de la population vit en milieu urbain, les villes connaissent de constantes evolutions et nécessitent des outils de suivi efficaces pour apprécier leur évolution. Dans ce contexte, analyser les changements observés entre deux dates est une question essentielle. En milieu urbain, la plupart des changements se produisent le long de l’axe vertical (avec des constructions ou démolitions de bâtiments) et l’utilisation de données 3D est donc obligatoire. Parmi elles, le LiDAR constitue une précieuse source d’informations mais les nuages de points 3D qu’il produit consistent en des données éparses et non ordonnés. Les méthodes existantes consistent soit en une discrétisation préalable des données en modèles numériques de surface permettant d’appliquer des outils usuels du traitement d’image mais conduisant à une perte importante d’informations, soit en l’analyse directe de nuages de points. Cette dernière approche n’a à notre connaissance pas encore été abordée sous l’angle de l’apprentissage profond. Nous proposons donc un réseau siamois s’appuyant sur des noyaux de convolution opérant sur les points 3D, sur la base des bons résultats obtenus par les architectures siamoises en détection de changements dans des images 2D et par le réseau KPConv en segmentation sémantique de nuages de points 3D. Nous montrons quantitativement et qualitativement que notre méthode surpasse de plus de 25 % (en termes d’intersection sur union pour les classes de changement) les méthodes d’apprentissage automatique existantes basées sur des attributs extraits manuellement