L'apprentissage profond y prend place, en particulier avec la croissance rapide et la disponibilit de grandes bases de donn es et les r centes am liorations apport es aux unit s de traitement graphique connues sous leur nom anglais GPU (Graphics Processing Units). L'objectif principal de cette recherche est d'appliquer les algorithmes d'apprentissage profond, tels que les r seaux de neurones convolutions (CNNs-Convolutional Neural Networks) et les architectures profondes, en particulier le mod le profond VGG-16 pour la cat gorisation et la localisation des v hicules dans des sc nes routi res. Dans le pr sent m moire, nous allons montrer que gr ce un param trage optimis et une modification algorithmique simple, nous pouvons am liorer, m me de fa on relative, la robustesse d'un r seau particulier de type Faster R-CNN dans la d tection des v hicules et obtenir des r sultats meilleurs en s'appuyant sur diverses bases de donn es (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square et Logiroad).