Notre travail a porté principalement sur des aspects méthodologiques et sur des caractérisations expérimentales des techniques floues et neuronales, avec deux bancs d'essai: un pendule inversé et des fours industriels. Dans une première étape, nous avons travaillé sur des régulateurs flous de la première génération. Nous avons proposé une méthode pour minimiser les erreurs dues à la quantification lors des mises en œuvre avec table de décision. D'autre part, des études expérimentales ont permis d'expliquer l'amélioration de régulations floues par rapport à des régulations conventionnelles. Nous avons ainsi souligné les rôles, parfois bénéfiques, des non-linéarités liées aux interpolations ou aux saturations naturelles. Dans une deuxième étape, nous nous sommes intéressés aux structures de régulation neuronale directe, utilisant l'apprentissage spécialisé avec l'algorithme de rétropropagation. Nous avons développé une stratégie de régulation neuronale à régime glissant, automatiquement élaborée à partir d'une connaissance initiale très faible. Nous avons validé cette méthode avec des modèles simulés du pendule inversé et vérifié la possibilité de stabiliser le système réel. Dans une troisième étape, nous nous sommes penchés sur des améliorations de lois de régulation PID, par introduction de non linéarités significatives. Dans un premier temps, nous avons proposé deux méthodologies de réglage d'adaptateurs flous de PID (parfois appelés superviseurs flous), agissant à partir de la position dans le plan de phase. Une des méthodes de supervision inclut des garanties de stabilité. Dans un deuxième temps, nous avons mis en œuvre et amélioré une méthode d'auto-réglage d'un régulateur flou par un système flou, partant d'une loi de régulation floue initiale quasi-linéaire (résultant de l'application des règles d'équivalence). Des améliorations ont été apportées sur les fours par rapport à une régulation PID industrielle