Dans le domaine de la météorologie, les problématiques de prédiction sont courantes. Or, le rapport entre les paramètres climatiques est rarement linéaire. L'interaction entre les paramètres, même si elle est soupçonnée, est difficile à modéliser. L'utilisation des réseaux de neurones artificiels présente une alternative intéressante par rapport aux méthodes statistiques traditionnelles. En effet, avec les méthodes classiques, il faut d'abord penser à un modèle, le tester, penser à un autre modèle jusqu'à ce qu'on obtienne un modèle évidemment précis, par sa nature et son fonctionnement. Cependant, les réseaux de neurones artificiels peuvent détecter les interactions multiples non linéaires parmi une série de variables d'entrée. Ils peuvent donc gérer des relations complexes entre les variables indépendantes et les variables dépendantes, et tirent leur puissance de modélisation ainsi que leur capacité à capter les dépendances de haut niveau, c'est-à-dire qui impliquent plusieurs variables à la fois. Le présent travail porte sur le développement et l'élaboration des modèles de réseau de neurones artificiels de type perceptron multicouches et les réseaux à fonction de base radiale.