Reconnaissance de caracteres manuscrits par combinaison de modeles connexionnistes

La reconnaissance de caracteres manuscrits est un domaine tres actif de la recherche en informatique: la variabilite de l'ecriture manuscrite permet en effet de confronter les algorithmes de classification et d'apprentissage a des problemes difficiles et realistes. Les reseaux de neurones ont montre des resultats remarquables dans ce domaine, mais la necessite de performances elevees dans les applications reelles pousse la recherche vers des modeles connexionnistes de plus en plus complexes. Cette these propose des alternatives possibles dans la conception de systemes de classification automatique. Dans un premier temps, nous montrons que l'utilisation de modeles plus simples, bien qu'elle ne permette pas d'atteindre des performances comparables a celles des meilleurs systemes actuels, offre cependant un premier compromis entre performance et rapidite de calcul. Nous presentons ensuite une etude detaillee d'une approche recemment utilisee en classification: la combinaison de modeles. Nous montrons que l'independance des modeles impliques dans un tel schema est une condition necessaire a l'amelioration des performances. En particulier, sur le probleme de la reconnaissance des caracteres, nous montrons que dans le cas de reseaux identiques, a poids initiaux differents, l'independance n'est pas systematique: le gain en combinaison peut etre nul. Pour clarifier la necessite d'independance, nous montrons que la combinaison de deux systemes construits a partir de codages differents et d'architectures differentes, arrive a produire des performances de tres haut niveau. Une etude comparative de la capacite de rejet de cette methode nous permet de conclure qu'elle surpasse certaines approches existantes