Abstract FR:

L'ecriture manuscrite est l'un des moyens privilegies de la communication humaine. Dans le cadre du developpement des interfaces homme-machine, nous avons mis au point un systeme capable de reconnaitre des mots cursifs lies, saisis sur une tablette a digitaliser. Cette these presente un systeme ou la segmentation d'un signal en lettres, l'identification de ces lettres et la repartition de celles-ci en sous-classes sont trois phases indissociables. Au cours de l'apprentissage, nous laissons la segmentation et la repartition en sous-classes totalement libres d'evoluer et de se specialiser. Parallelement, nous utilisons pour la classification une approche neuronale par modeles generateurs. Chaque lettre est apprise avec des exemples de sa classe, issus d'un processus de segmentation automatique, guidee par les modeles. Notre classifieur est compose de reseaux auto-associatifs utilisant la distance tangente pour incorporer des invariances geometriques predefinies. Le nombre de sous-classes necessaire a la modelisation complete d'une lettre, varie au cours de l'apprentissage afin de prendre en compte les variations intra-classes et les confusions inter-classes. En se placant dans le cadre des approches descendantes, par competition entre candidats issus d'un dictionnaire, nous proposons un label correspondant au signal a reconnaitre. Malgre la difficulte du probleme de la reconnaissance de l'ecriture dans un cadre omni-scripteur, nous obtenons des resultats approchant ceux de lecteurs humains.