Les modèles de réseaux neuronaux profonds sont de plus en plus populaires, et les meilleurs modèles constituent désormais une propriété intellectuelle précieuse. Cependant, leur grande valeur et la surface d'attaque accrue causée par leur déploiement sur des systèmes embarqués ont conduit les attaquants à envisager de nouveaux types d'attaques, telles que les attaques par canaux auxiliaires. En conséquence, de nouveaux chemins d'attaque continuent d'apparaître, limitant la capacité des défenseurs à définir des contremesures efficaces. Pour limiter ces problèmes, cette thèse propose de se concentrer sur de nouvelles méthodologies d'attaque afin de démontrer l'impact des attaques par canal auxiliaire et pourquoi elles devraient être considérées. Cette thèse peut être subdivisée en deux parties. La première concerne l'amélioration des attaques existantes contre les algorithmes d'apprentissage profond à l'aide d'attaques par canal auxiliaire. Nous améliorons la faisabilité des attaques par évasion et l'extraction de modèles en ciblant deux fonctions d'activation populaires, les fonctions softmax et ReLU. Dans la deuxième partie de cette thèse, nous étudions l'impact de la quantification sur l'extraction de modèles et démontrons la nécessité d'introduire de nouvelles voies d'attaque basées sur les attaques par canal auxiliaire. Enfin, nous décrivons comment l'extraction de modèles basée sur la cryptanalyse ne permet pas extraire les DNNs quantifiés et présentons deux nouvelles attaques d'extraction de modèles basées sur la fidélité utilisant les canaux auxiliaires.