Les "Support Vector Machines" (SVMs) sont des outils d'apprentissage statistique qui ont connu un développement considérable au cours de la dernière décennie et qui sont utilisés dans différentes applications du LISC. Cependant, lorsque l'on cherche à approximer précisément la frontière d'une zone de l'espace, les SVMs ne fournissent pas des résultats globaux corrects tout le temps. Nous avons alors besoin de trouver une méthode différente des SVMs pour assurer de bons résultats. Nous supposons que notre espace d'étude se compose de points disposant d'un label soit positif, soit négatif. Le but de ce stage est de construire, à partir de points positifs et négatifs disposés près de la frontière des zones de changement de label, une fonction qui à tout point de l'espace associe la distance de celui-ci à la frontière ainsi que son label. Ce problème est difficile car la véritable frontière est inconnue : il s'agit bien d'un problème d'apprentissage. Nous avons alors développé un algorithme sur la base des réseaux des neurones. Il se résout facilement en théorie, mais en pratique le nombre de points nécessaire est important et n'est pas compatible avec les outils informatiques actuels, notamment quand la dimension du problème augmente. Nous proposons des méthodes pour choisir correctement les paramètres de cet algorithme.