L'ingénierie neuromorphique est un domaine de recherche dans lequel les dernières technologies sont utilisées pour construire la prochaine génération de systèmes informatiques et de détection, inspirés des systèmes neuronaux biologiques. Le terme neuromorphique a été inventé à la fin des années 1980 par Carver Mead, faisant référence aux circuits électroniques correspondant étroitement aux principes du calcul biologique. Aujourd'hui, la recherche neuromorphique est devenue un domaine multidisciplinaire rassemblant des scientifiques de différents domaines et travaillant vers des objectifs différents. Ces dernières années, le neuromorphique a gagné en popularité après l'essor du deep learning, une partie de la communauté informatique s'inspirant de la biologie pour un calcul innovant. L'ingénierie neuromorphique a également attiré de nombreux scientifiques des matériaux à la recherche d'applications pour des dispositifs non conventionnels. Le récent ralentissement de la loi de Moore et les coûts croissants de la mise à niveau des nœuds technologiques ont stimulé l'intérêt pour les stratégies informatiques non conventionnelles. Les algorithmes de réseau de neurones, l'épine dorsale de l'intelligence artificielle, ne sont pas facilement implémentés avec les ordinateurs Von Neumann, et l'informatique en mémoire apparaît comme une architecture alternative prometteuse pour l'intelligence artificielle. Cela forme la tempête parfaite pour un changement de paradigme dans les systèmes informatiques et motive le travail de cette thèse. Cette thèse explore le domaine de l'informatique en mémoire avec des mémoires non volatiles pour les systèmes neuromorphiques. Les Resistive Random Access Memories (RRAM) sont intégrées dans une architecture analogique mettant en œuvre un réseau neuronal. Les techniques de formation modernes dérivées du deep learning libèrent tout le potentiel de l'informatique analogique en mémoire. Une architecture modulaire est proposée pour étendre le système à de grands réseaux graphiques. L'informatique basée sur la RRAM est utilisée pour effectuer efficacement la tâche de localisation avec des signaux auditifs. Un système de détection basé sur des piezoelectric micromachined ultrasound transducers (pMUT) de pointe est couplé à un réseau de neurones bio-inspirés, minimisant la consommation d'énergie. Le calcul en mémoire des RRAM est également appliqué à l'olfaction artificielle, où un réseau d'interféromètres Mach-Zender chimiquement fonctionnalisés implémente un capteur de gaz innovant. L'apprentissage en ligne avec un circuit dédié permet une nouvelle utilisation de l'olfaction artificielle. Les mémoires non volatiles sont également impliquées dans de nouvelles formes de calcul, allant au-delà des schémas conventionnels de neuromorphisme. Les RRAM dotent à la fois les synapses et les neurones de mécanismes de plasticité qui coexistent dans un processus d'apprentissage non supervisé. Inspirés des structures complexes des neurones biologiques, des circuits dendritiques sont proposés, prolongeant les architectures de réseaux existantes constituées de neurones et de synapses. Les circuits dendrites améliorent l'efficacité et l'empreinte mémoire des réseaux de neurones neuromorphiques. Les résultats de cette thèse sont significatifs dans les domaines de l'informatique mémoire et des systèmes neuromorphiques.