Cette thèse traite de l'utilisation des techniques avancées pour l'identification et la commande du redresseur à modulation de largeurs d'impulsions (MLI) connecté au réseau. Une nouvelle stratégie d'identification des paramètres équi-valents du redresseur à MLI, utilisant un ADALINE (adap-tive linearneuron), a été développée. Les paramètres équivalents identifiés ont été utilisés pour réaliser une commande vectorielle (VOC) adaptative. Cettestratégie a été validée par des tests expérimentaux. Ensuite, une nouvelle stratégie de commande sans capteurs de tensions du réseau ainsi qu'une nouvelle procédure de démarrage, ont été proposées. La stratégie de commande sans capteurs utilise un estimateur neuronal inséré dans une VOC. Deux structures de l'estimateur neuronal ont été déve-loppées. Elles exploitent la capacité d'estimation d'un ANN (adaptive neural network) et la propriété de filtrage d'un ANF (adaptive neural filter). Des tests de simulation et une validation expérimentale ont été effectués. Il a été démontré que la procédure de démarrage a permis de réduire le transi-toire lors l'enclenchement de la commande, et que l'estimateur neuronal présente de bonnes performances mêmes sous des tensions du réseau déséquilibrées et distor-dues. Finalement, deux stratégies de commande directe de puis-sances (DPC) sans capteurs ont été proposées.Tout d'abord, un nouvel estimateur de flux virtuel basé sur un ANF a été développé pour estimer les tensions du réseau.Une étude comparative a illustré les bonnes performances de l'estimateur proposé. Ensuite, deux approches combinant la DPC prédictive avec l'estimateur neuronal de flux virtuel ont été proposées. La première est basée sur la commande prédictive à modèle de référence ; la deuxième est basée sur la réponse pile. Une étude comparative entre les dites com-mandes et deux autres stratégies de commande directe de puissance a démontré la supériorité des techniques propo-sées.