Les maillages 3D ont suscité un grand intérêt dans la communauté de la vision par ordinateur en raison de leur utilisation dans plusieurs applications telles que la réalité virtuelle, les jeux, la préservation du patrimoine, etc. Cependant, ces contenus 3D peuvent être altérés lors d'étapes de pré-traitement telles que la compression ou le débruitage. Dans ce contexte, les algorithmes d'évaluation de la qualité peuvent être utilisés pour quantifier la quantité de distorsions qui affectent un maillage 3D et dégradent son rendu visuel. Nous introduisons une mesure d'évaluation de la qualité des maillages sans référence basée sur des caractéristiques convolutionnelles profondes, appelée DCFQI (Deep Convolutional Features Quality Index). En tirant parti de l'apprentissage par transfert, l'approche proposée permet d'évaluer la qualité visuelle sans avoir besoin d'un contenu de référence, imitant ainsi la vision humaine. Partant d'un rendu d'un maillage 3D en vues et patchs 2D, un réseau neuronal convolutionnel pré-entraîné est utilisé pour extraire automatiquement des caractéristiques profondes. Celles-ci sont utilisées dans un perceptron multicouche (MLP) afin de prédire le score de qualité objectif. Deux stratégies d'apprentissage sont présentées et comparées pour l'estimation de la qualité sans référence. Les résultats obtenus en termes de corrélation avec les scores humains subjectifs de qualité démontrent la supériorité de l'indice proposé par rapport aux méthodes existantes