Les travaux présentés dans cette HDR visent à mieux comprendre le fonctionnement des mécanismes d'apprentissage qui sont liés au contrôle moteur bas niveau chez l'humain, pour les modéliser et les intégrer dans les contrôleurs des robots humanoïdes. L'objectif est de rendre ces derniers plus robustes face aux perturbations externes dues à l'environnement, ou à leur interaction avec l'humain (forces externes, glissement, pentes ou irrégularités du sol), ou aux dommages internes, soudains ou progressifs, qu'ils peuvent subir et qui mettent en péril leur mission (usures articulaires, amputation de membres moteurs, pertes sensorielles...). Pour ce faire, les capacités de généralisation offertes par les algorithmes d'apprentissage des réseaux de neurones et les synergies de leurs mécanismes adaptatifs (homéostasie, plasticité neuronale et synaptique) ont été étudiées. Les solutions ont été évaluées en soumettant les robots à des perturbations ou à des dysfonctionnements externes ou internes, lents ou brusques. Des réponses aux questions suivantes ont été apportées: comment la marche adaptative des robots peut elle être produite? Comment peut-elle être contrôlée? Quels types d'architecture permettent à la fois la production de rythmes locomoteurs et le contrôle de la posture? Quels sont les mécanismes adaptatifs sensori-moteurs qui régissent ces architectures pour les marches normales et déficientes des robots? Quelles sont les méthodologies possibles pour modéliser et reproduire ces architectures? Quelles sont les limites de ces approches ?.