Aplicar redes neuronales convolucionales (CNN) a mallas triangulares siempre ha sido una tarea desafiante. Debido a la estructura compleja de las mallas, la mayoría de los métodos existentes aplican las CNN indirectamente a ellas, y requieren un preprocesamiento o transformación complejos de las mallas. En este documento, proponemos una nueva CNN basada en caras, que puede aplicarse directamente a mallas triangulares con conectividad arbitraria mediante la definición de convolución y agrupación de caras. El enfoque propuesto toma cada cara de las mallas como el elemento básico, similar a las CNN con píxeles de imágenes 2D. Primero, se utilizan las características intrínsecas de las caras como las características de entrada de la red. En segundo lugar, se construye una operación de convolución de tipo orden con tamaños de núcleo de convolución ajustables para extraer las características de las caras. En tercer lugar, diseñamos una operación de agrupación aproximadamente uniforme mediante colapso de caras aprendibles, que se puede aplicar a las mallas con conectividad arbitraria, y usamos directamente su operación inversa como desagrupación. Experimentos extensos muestran que el enfoque propuesto es comparable o incluso puede superar a los métodos de vanguardia en clasificación de mallas y segmentación de mallas.