Améliorer l'interprétabilité dans les Réseaux de Neurones Convolutionnels: À mesure que les grands modèles de réseaux neuronaux deviennent plus complexes, leurs applications puissantes comportent des risques importants. Imaginez une application de santé où un modèle de prédiction aide à diagnostiquer les patients. Si ce modèle est biaisé en raison de certaines corrélations fallacieuses, il pourrait nuire au traitement des patients. Ce contexte a conduit à la croissance du domaine de l'Intelligence Artificielle Explicable (xAI). L'objectif de xAI est de fournir des explications pour ces modèles complexes d'apprentissage profond, soit en développant de nouvelles structures intrinsèquement explicables, soit en proposant des techniques pour élucider les décisions de modèles autrement non explicables. Cependant, malgré les améliorations significatives obtenues par xAI, il existe encore un manque d'interprétabilité. Les techniques qui présentent une grande fidélité pour expliquer les connaissances des modèles sont souvent difficiles à comprendre pour les humains, tandis que les techniques conviviales peuvent manquer de fidélité aux connaissances des modèles. Dans cette thèse, nous explorons le compromis entre fidélité et interprétabilité. Premièrement, nous analysons les corrélations entre les échantillons dans l'espace des modèles de sortie, ce qui nous amène à proposer une technique, GAD, pour simplifier et augmenter l'interprétabilité des visualisations des techniques xAI basées sur le gradient. Deuxièmement, nous proposons un ensemble de méthodes, MAGE et Ms-IV, et une nouvelle métrique, CAOC, pour expliquer globalement les connaissances des modèles en décomposant les motifs importants en concepts. Enfin, nous comparons la manière dont les humains et les modèles comprennent les images en utilisant notre cadre proposé, xAiTrees, basé sur la segmentation hiérarchique. Tout au long de cette thèse, nous présentons des métriques quantitatives et qualitatives visant à évaluer les techniques selon leurs objectifs, en ce qui concerne la complexité, la robustesse, la fidélité, l'impact, le biais et la découverte de concepts par les humains. Nos techniques surpassent certaines méthodes xAI de pointe et renforcent la nécessité de bien équilibrer le compromis entre fidélité et interprétabilité