La dispersion atmosphérique de substances dangereuses est un évènement susceptible d’entrainer de graves conséquences. Sa modélisation est primordiale pour anticiper des situations accidentelles. L’objectif de ce travail fut de développer un modèle opérationnel, à la fois rapide et précis, prenant en compte la dispersion en champ proche sur un site industriel. L’approche développée s’appuie sur des modèles issus de l’intelligence artificielle : les réseaux de neurones et les automates cellulaires. L’utilisation des réseaux de neurones requiert l’apprentissage d’une base de données de dispersion : des simulations CFD k-ϵ dans ce travail. Différents paramètres sont évalués lors de l’apprentissage : échantillonnage et architecture du réseau. Trois méthodologies sont développées :La première méthode permet d’estimer la dispersion continue en champ libre, par réseaux de neurones seuls.La deuxième méthode utilise le réseau de neurones en tant que règle de transition de l’automate cellulaire pour le suivi de l’évolution d’une bouffée en champ libre.La troisième méthode sépare la problématique : le calcul de l’écoulement est effectué par les réseaux de neurones alors que le calcul de la dispersion est réalisé par la résolution de l’équation d’advection diffusion pour le suivi de l’évolution d’un nuage autour d’un obstacle cylindrique. La simulation de cas tests non-appris avec des simulations CFD permet de valider les méthodes développées. Les temps de calcul mis en œuvre pour réaliser la dispersion sont en accord avec la cinétique d’une situation de crise. L’application à des données réelles doit être développée dans la perspective de rendre les modèles opérationnels.