Notre travail de thèse s'inscrit dans le cadre d'un projet de recherche porté par les Archives départementales de la Côte-d'Or, le projet "Lettres en Lumière", qui vise à adapter des algorithmes d'intelligence artificielle à la transcription automatique de documents historiques que ces Archives possèdent. Pour initier le projet, concernant ces documents, le choix s'est porté sur des textes manuscrits du XVIIIe siècle contenus dans les Registres des Délibérations des Etats de Bourgogne.Les approches actuelles les plus compétitives de la transcription automatique de textes manuscrits déroulent le processus en deux étapes : segmentation optimale des lignes du texte, suivie du processus de transcription à proprement dit, durant lequel les caractères vont être déchiffrés pour reconstituer les mots du texte.Après un premier chapitre qui décrit le contexte du projet, nous présentons, dans le deuxième chapitre, notre étude sur la segmentation optimale des lignes de textes. Notre choix de la méthode de segmentation s'est tourné vers deux algorithmes de Deep Learning : Unet et MaskRCNN. Ce choix s'est appuyé sur un état de l'art approfondi des différents algorithmes de segmentation. Nous montrons que MaskRCNN, qui est un algorithme de segmentation d’instances, est le plus performant pour le cas de l’extraction optimisée de lignes de textes anciens manuscrits.Le travail portant sur la transcription de lignes, décrit dans le chapitre trois, nous a conduit à retenir, après une étude approfondie de l’état de l'art, des architectures à base de réseaux de neurones Transformer. Nous montrons que le réseau de neurones Transformer TrOCR, associé à notre algorithme de segmentation de lignes, permet de réaliser des transcriptions avec un taux d'erreur maximal par caractère de 3.4%.Si les résultats présentés dans ces chapitres permettent d’envisager la mise à disposition à court terme d'une plateforme de transcription exploitable par un large public, un problème important apparaît concernant l'utilisation excessive de moyens calculs en lien avec la complexité sous-jacente des algorithmes d'IA. Pour résoudre ce verrou majeur, de nombreux chercheurs en intelligence artificielle mènent des travaux autour de l'IA frugale.Dans ce contexte, nous proposons, dans le chapitre 4, une approche de transcription de lignes de textes à base de réseaux de neurones bio-inspirés. Plus précisément, nous nous appuyons sur des réseaux de neurones impulsionnels ("Spiking Neural Networks" ou SNN) intitulés aussi réseaux de neurones à spikes. Après une étude approfondie sur l’état de l’art de tels réseaux, notre choix s’est orienté vers l’utilisation du réseau de neurones Spikformer que nous avons optimisé pour la transcription de lignes de textes. Nous montrons que notre approche bio-inspirée est bénéfique et prometteuse : taux d'erreur maximal par caractère de 4.2% pour des textes dactylographiés et de 12.7% pour des textes simulant des textes manuscrits. Cette étude est la première dans la littérature à aborder une application aussi complexe pour ce type de réseaux, et elle démontre tout l’intérêt qu’il y a à poursuivre cette voie.