Cette thèse examine la manière avec laquelle un système de reconnaissance de la parole arabe peut bénéficier des réseaux de neurones artificiels. Présentement, la plupart des systèmes de reconnaissance de la parole sont basés sur les modèles de Markov cachés (HMM), une approche statistique qui traite simultanément la modélisation acoustique et temporelle du signal de parole. Malgré leur performance, les HMM souffrent de certaines hypothèses sous-optimales qui peuvent limiter l~ efficacité. Les réseaux de neurones en raison de leur capacité d'approximation de fonctions complexes, de généralisation, de support de parallélisme, constituent un choix permettant d'éviter certaines limitations. Par conséquent, nous avons exploré les systèmes hybrides HMMIRN , dans lesquels les réseaux de neurones s ' occupent de la modélisation acoustique laissant la modélisation temporelle aux HMM. Nous avons utilisé les réseaux de neurones en prédiction et en classification de trames acoustiques, dans des tâches de reconnaissance de chiffres isolés et enchaînés arabes. Dans les deux systèmes proposés, nous avons pu montrer qu'ils étaient plus performants qu'un système de reconnaissance utilisant les HMM seuls.Notre système hybride HMM neuro-prédicteur a atteint un taux d'erreur de 10.22% en tâche de reconnaissance des chiffres isolés et 8.34% en tâche de reconnaissance des chiffres enchaînés, produisant respectivement des réductions de 35.31% et 22.85% par rapport aux systèmes employant les HMM seuls. Dans notre deuxième système hybride HMMIMLP multiclassifieur, les taux d'erreurs sont de 15.52% et 10.76% concernant respectivement les tâches de reconnaissance des chiffres isolés et enchaînés, avec des réductions de 1.8% et 0.5% par rapport aux systèmes où seuls les HMM étaient utilisés.