Nous avons commencé notre travail par |'étude des concepts et méthodes de sélection d'attributs pour les problèmes de classication ainsi que des différents types de caractéristiques utilisées en reconnaissance de l'écriture, particulièrement celle des caractères arabes, en plus de certains travaux sur |'utilisation des méthodes de sélection de caractéristiques dans des systèmes de reconnaissance d'écriture. Notre travail s'achève par la proposition d'une approche permettant de sélectionner, à partir d'un ensemble de départ, le meilleur sous-ensemble de caractéristiques pour la reconnaissance de caractères arabes manuscrits. Nous construisons, de manière ad hoc, une base des règles symboliques reiétant une classitcation préalable des caractères à partir des caractéristiques relatives à leur partie secondaire. Puis, nous appliquons, à chaque classe de corps principaux de caractères, une sélection de caractéristiques selon une approche essentiellement de type Symbiose (Wrapper) qui se base sur les résultats obtenus par les classiteurs, de type SVM (Machines à Vecteurs Supports), utilisés. Pour chacune des catégories de caractères arabes, dans notre approche de sélection, nous effectuons un tri des caractéristiques selon leur capacité de discrimination en utilisant le discriminant de Fischer linéaire. Nous évaluons ensuite la corrélation entre les caractéristiques en calculant un critère de corrélation linéaire ain de pouvoir éliminer les redondances. Dans le but de sélectionner le meilleur sous ensemble de caractéristiques pour chacune des catégories de caractères, nous commençons par un sous-ensemble vide et effectuons une agrégation progressive des caractéristiques, par petits groupes en commençant par les caractéristiques les plus discriminantes et en gardant les moins oorrélées, donc les plus pertinentes. A chaque agrégation de caractéristiques, l'apprentissage et le test de l'ensemble des classiteurs SVM correspondant à la catégorie de caractères considérée, sont effectués et leurs performances évaluées. Le processus itératif d'agrégation continue tant que les performances des classieurs augmentent. Il s'arrête pour les classieurs dès que les taux de reconnaissance de ces derniers commencent à se détériorer par rapport à leurs performances avec l'ensemble initial des caractéristiques avant la sélection. Les résultats que nous avons obtenus selon notre approche, sont très encourageants.