Cette thèse explore les défis et les stratégies associés à l'apprentissage incrémental de classe (CIL), une branche de l'apprentissage automatique qui se concentre sur l'intégration efficace de nouvelles classes dans les modèles existants. Le travail aborde les principales difficultés, y compris l'oubli catastrophique et le compromis entre la stabilité et la plasticité, en particulier dans les scénarios où les données sur les classes passées ne sont pas stockables. Un certain nombre de méthodes innovantes sont proposées, allant de la gestion stratégique de la distribution des paramètres du modèle à la création d'un générateur de pseudo-caractéristiques pour un meilleur équilibre entre stabilité et plasticité. L'étude fournit également une analyse expérimentale approfondie des divers facteurs influençant les performances du CIL, tels que les stratégies d'entrainements initiaux, la sélection de l'architecture neuronale et le choix de l'algorithme du CIL. La recherche aboutit à la fourniture de lignes directrices pratiques pour un apprentissage incrémental efficace afin de faciliter l'application du CIL dans le monde réel. En résumé, cette thèse apporte significativement des idées et des méthodes au domaine de l'apprentissage automatique, en favorisant une meilleure compréhension et une meilleure utilisation de l'apprentissage incrémental par classe.