L'analyse des courbes de flux artériel est un outil essentiel dans la prise en charge de l’artérite oblitérante des membres inférieurs (AOMI), pouvant être cependant source de confusion. Pour standardiser cette analyse, des classifications ont été proposées mais leur efficacité en pratique clinique reste peu documentée. Les réseaux de neurones ont montré leur capacité à classer des données et grâce à l'apprentissage par transfert, des réseaux existants peuvent être utilisés pour de nouvelles tâches de classification. Les objectifs de cette thèse étaient : 1. de comparer le taux de catégorisation des classifications de Descotes et Cathignol, Spronk et al. et Saint-Bonnet simplifiée. 2. d’évaluer la faisabilité d’une catégorisation automatique des courbes de flux artériel par un réseau de neurones existant après apprentissage par transfert. Des courbes de flux artériels ont été acquises auprès de patients consultant pour des symptômes évocateurs d’AOMI. Ces courbes ont ensuite été classées par des médecins vasculaires selon les trois classifications ou par un réseau de neurones existant, après apprentissage par transfert, selon la classification de Saint-Bonnet simplifiée. La classification de Saint-Bonnet simplifiée a obtenu le meilleur taux de catégorisation. Après un apprentissage par transfert, le réseau de neurones a pu classer les courbes de flux artériel avec une bonne précision. Les résultats des travaux menés pour cette thèse suggèrent que la classification de Saint-Bonnet simplifiée a le meilleur taux de catégorisation des trois classifications étudiées et que l'utilisation de l'apprentissage par transfert est possible pour entraîner un réseau de neurones existant à classer automatiquement des courbes de flux artériel.