Cette thèse propose des solutions neuromimétiques originales au problème de la localisation de sources acoustiques. Nous considérons un modèle de propagation d'ondes planes. L'information pertinente est une information spatio-temporelle : la connaissance du retard de propagation entre les capteurs permet de retrouver la direction d'arrivée du signal. Pour traiter ce type d'informations, le temps doit être codé dans les réseaux de neurones. Deux représentations sont envisagées : la représentation externe, où le temps apparaît comme une dimension supplémentaire de l'espace d'entrée, et la représentation interne où le temps est codé par la succession des états du réseau. La stratégie adoptée pour résoudre le problème de la localisation de sources s'inspire des systèmes biologiques de perception. A un niveau local, des réseaux de neurones spécialisés détectent si une source se trouve dans un secteur particulier de l'horizon et les réponses de tous les réseaux sont intégrées à un plus haut nivrau de traitement. Au niveau local, nous construisons tout d'abord un ensemble de perceptrons multi-couches qui représentent le temps de manière externe. Nous introduisons dans le réseau la connaissance par la topologie spécifique et originale des connexions. La représentation externe et statique du temps limite la capacité de mémorisation du réseau. Pour tenir compte de la nature dynamique du signal et des caractéristiques des retards de propagation nous adaptons l'architecture de réseaux avec des unités à retards en spécialisant la connectivité. Nous nous intéressons également à la représentation interne du temps dans les réseaux récurrents. Ceux-ci gardent la trace des évènements passés grâce aux connexions récurrentes des unités de contexte sur elles-mêmes et aux connexions rétro-actives. Il apparaît que ce type de réseau est également capable de relier entre eux les évènements temporels mémorisés. Les différentes approches neuromimétiques proposées sont comparées à l'approche classique qu'est la formation de voies. Les résultats obtenus sur des signaux simulés et réels sont tout à fait satisfaisants. Les réseaux de neurones montrent une bonne robustesse locale au bruit et globalement la précision de la localisation est meilleure que la formation de voies