Nous nous intéressons dans cette thèse à la création de nouvelles méthodes pour procéder à la question de la détection et de l'attribution du changement climatique. Le climat est en effet soumis à une double variabilité : celle issue des processus internes et interactions des différentes composantes du climat (terres, océans, atmosphère et cryosphère). Cette variabilité est appelé variabilité interne. Une seconde source de variabilité est la variabilité dite "forcé" qui est dû à l'effet de forçages qui sont des éléments extérieurs au système climatique pouvant l'affecter. Les différents forçages sont les gaz à effet de serre, aérosols anthropiques ou naturels, utilisation des terres etc. La détection et l'attribution du changement climatique vise à distinguer les effets de la variabilité interne du climat de la variabilité forcé ainsi qu'à également décomposer cette dernière en donnant l'influence relative de chaque forçage. Ce problème comporte de grandes difficultés comme la relative faible longueur temporelle des observations ou l'incertitude de la variablité forcé modélisé dans les modèles climatiques. Pour ce faire nous développons de nouvelles méthodes basés sur l'utilisation de réseaux de neurones. L'intelligence artificielle est en effet un outil qui n'a pas encore été appliqué pour ce problème et qui permet d'utiliser efficacement les données provenant de simulations d'un grand nombre de modèles climatiques ainsi que les observations. Nous avons développé et appliqué au champ de la température de surface de l'air deux méthodes permettant respectivement de séparer la variabilité interne et forcé et d'attribuer la température globale de surface observé pour différents groupes de forçages. La première de ces méthodes permettant de séparer la variabilité interne de la variabilité forcé est appelé "Noise to Noise" et elle se base sur la littérature de restauration des images issues de l'intelligence artificielle. Le champ tri-dimensionnelle (temps, latitude et longitude) des simulations ou de observations de température de surface est donc comparé à une image tri-dimensionnelle. La variabilité interne est comparé à une sorte de bruit semblable à celle pouvant se trouver sur des images s'ajoutant à la variabilité forcé qui est elle associé à la "vrai image". Nous avons donc eu recours à une méthodologie de débruitage pour réseaux de neurones créée pour les images que nous adaptons à notre problème climatique. La seconde de ces méthodes vise à procéder l'attribution de l'effet de trois groupe de forçages (les gaz à effet de serre, les aérosols anthropiques et les forçages naturels). Il s'agit d'une méthode tiré de l'intelligence artificiel explicable qui se nomment l'optimisation inverse. Elle consiste à retrouver l'entrée d'un réseau de neurones entraîné qui correspondrait à un résultat de sortie donné. Cela est fait par une méthode de descente de gradient en minimisant une fonction de coût mesurant la différence entre la sortie désiré et celle obtenue. Nous utilisons un réseau de neurones convolutionnelle entraîné en utilisant des sorties de température globale de surface de simulations historiques de modèles climatiques. Le CNN a pour but de reproduire les changements de température globale de surface dû à l'ensemble des forçages en utilisant comme entrée les changements de température dû à l'effet individuel des forçages. Une fois le réseau entraîné et ses poids et biais fixés, une méthode d'optimisation inverse, modifiée pour mieux correspondre au problème, est utilisé. Ces deux méthodes sont implémentés pour la variable de température de surface sur la période historique et leurs résultats sont comparés à ceux obtenues avec des méthodes de références.