Le sujet abordé dans cette thèse se situe dans le domaine de l’ingénierie logicielle empirique et, plus précisément, celui de l’utilisation d’approches de fouille de données et d’apprentissage automatique, principalement bio-inspirées pour la prédiction de défauts logiciels. Les techniques de prédiction de défauts visent à réduire le coût de la maintenance des logiciels, en détectant, le plus tôt possible, les défauts qui risquent d’apparaitre après l’étape de livraison du logiciel. La prédiction des défauts consiste à recourir à un modèle permettant de déterminer la possibilité de présence de défauts dans un logiciel à travers des analyses liées à une base de données intra ou inter applications. Ceci mène à identifier l’ensemble de composants du logiciel susceptibles de contenir un défaut lors de la prochaine livraison du produit. Suite à notre étude des concepts et méthodes liés à la prédiction de défauts logiciels, en nous intéressant particulièrement aux approches bio-inspirées, nous nous sommes concentrés sur les systèmes immunitaires artificiels qui nous ont semblés particulièrement attrayants au vu de leur succès dans plusieurs voies de recherche. Nous avons constaté que, malgré un nombre non négligeable de travaux, très peu ont étudié la capacité des approches immunologiques à prédire les défauts logiciels. Ceci nous a incités à conduire plusieurs expérimentations relatives aux différentes catégories de recherches dans ce domaine. En premier lieu, nous avons comparé les performances des algorithmes immunologiques à d’autres méthodes référencées dans un scénario Intra-projets, tout en essayant d’implémenter un outil pour aider les développeurs dans la prédiction de défauts Cross-projets. Par la suite, nous avons mené une très large étude empirique comparant et validant les performances des méthodes immunologiques dans un environnement Inter-projets, en utilisant des tests statistiques pour nous assurer de la validité empirique de nos conclusions. Les résultats obtenus sont très encourageants, et l'outil proposé arrive à améliorer le taux de classification. Parmi les algorithmes sélectionnés lors de notre évaluation, nous avons constaté que la version hybride de l'algorithme Immunos-81 est très intéressante pour prédire les défauts Inter-projets des logiciels critiques qui sont en cours de développemen