Les reseaux convolutionnels ont revolutionne le domaine de l'apprentissage machine. Ces reseaux s'appliquent naturellement aux images, videos et aux sons. En revanche, la structure fixe de leur couche d'entree ne permet pas de les etendre facilement à des structures de topologie arbitraire tels que les graphes. On peut citer comme exemples d'applications la prediction de proprietes de molecules chimiques ou la classification de maillages 3D. Dans le cadre de graphes symboliques, nous proposons une methode permettant d'appliquer des reseaux bases sur une topologie fixe de la couche d'entree à des graphes de topologie arbitraire. Nous proposons egalement d'enrichir l'information contenu dans chaque sommet pour ameliorer la prediction de ses proprietes ainsi qu'une nouvelle couche permettant d'interfacer des graphes de topologie arbitraire avec une couche entièrement connectee.