Cette thèse décrit l'application de techniques connexionnistes à l'identification de systèmes siso non linéaires. L'établissement de modèles de comportement des systèmes linéaires et non linéaires en vue de leur conduite est un domaine incontournable en automatique. Les systèmes linéaires ne représentent le plus souvent qu'une approximation sur un domaine réduit de systèmes intrinsèquement non linéaires. Nous nous intéressons, ainsi, à l'identification de systèmes non linéaires en privilégiant un domaine de recherche: les réseaux de neurones multicouches. Les capacités d'approximation de systèmes non linéaires constituent l'atout majeur des réseaux de neurones. Nous transposons les techniques élaborées pour les systèmes linéaires dans le domaine de l'automatique aux systèmes non linéaires en faisant appel aux réseaux de neurones multicouches, afin de construire des modèles neuronaux. A travers différentes études, réalisées pour des systèmes linéaires et non linéaires, nous montrons qu'un lien étroit existe entre les méthodes classiques d'identification des modèles paramétriques discrets et les méthodes neuronales tant au niveau des techniques d'estimation des paramètres qu'au niveau de l'identification structurelle. A partir de différents algorithmes d'estimation, nous élaborons une démarche d'identification qui permet de déterminer la structure du modèle neuronal, c'est-à-dire d'évaluer le retard pur, d'estimer les ordres du système et d'optimiser le nombre de neurones dans la couche cachée