Dans le domaine médical, une meilleure connaissance de la fonctionmotrice est susceptible de permettre d’établir des thérapies adaptéesà chaque lésion motrice et des outils d’études et de dépistage dansle cas de maladies neurodégénératives. Dans le domaine de la réalitévirtuelle, la reconnaissance du mouvement est un point angulaire dansl’interaction de l’avatar ou de la personne en immersion avec sonenvironnement. Plusieurs travaux ont été menés dans le but de proposerdes approches de classification du mouvement humain. L’idée principalede ces méthodes est d’extraire des invariants des données enregistréesafin de les regrouper en clusters. Cependant, l'étude du mouvementhumain avec des systèmes de capture de mouvement génère une quantitéde données volumineuse, avec des relations non linéaires entre elles.Les méthodes présentées dans la littérature scientifique utilisent cesdonnées soit directement comme entrée à des algorithmes declassification, soit en appliquant une méthode de réductiondimensionnelle, comme l’analyse en composantes principales avant laclassification. Ces méthodes restent extrêmement sensibles au bruitblanc pendant l'enregistrement ainsi qu’aux différences morphologiquesentre les sujets. Dans notre travail, nous allons présenter uneméthodologie de classification et de reconnaissance du mouvementhumain, qui se base sur l’analyse topologique des donnéescinématiques. L’analyse topologique sera réalisée via la persistancehomologique, qui est une méthode d’analyse des données volumineusesqui permet de leur associer une signature topologique. On combineracette méthode d’analyse topologique avec des algorithmesd’apprentissage afin d’augmenter la précision de la reconnaissance desmouvements en réduisant l'impact des différences morphologiques entreles sujets ainsi que l’impact du bruit blanc issu pendant l'étaped’acquisition du mouvement. Par ailleurs, on combinera la méthoded’analyse topologique avec un algorithme de réseaux de neuronestemporels, afin de construire une approche qui permet de prédire lasuite d’un mouvement à partir d’une partie d’un intervalled’enregistrement.Les résultats ont montré la capacité de l’approche proposée à obtenirune précision avec un taux élevé lors de la classification, ainsi quesa robustesse face au bruit blanc et aux différences morphologiquesentre les personnes. Les résultats ont montré aussi le cout élevé entemps de calcul de notre approche. Nous avons proposé des méthodes(algorithme et parallélisme) de façon à réduire les temps de calculs.