Les réseaux 5G et au-delà doivent offrir une connectivité rapide et fiable. Cependant, la nature du réseau d’accès le rend sujet à des défaillances malgré les mécanismes de fiabilité proposés par les concepteurs systèmes. Dans ce contexte, assurer la résilience des réseaux devient cruciale pour les opérateurs, en particulier pour les applications critiques. La résilience se définit par le caractère d’un système qui, face aux défaillances, est capable de maintenir un service fonctionnel. Plutôt que des solutions coûteuses et statiques comme la redondance, l'objectif de cette thèse consiste à proposer une solution de résilience adaptative basée sur les méthodes d'apprentissage automatique pour les futurs réseaux virtuels de la 5G et au-delà, tout en prenant en compte les éventuels challenges rencontrés lors des implémentations dans des réseaux réels. La première contribution analyse la résilience d’une zone de réseau d’accès 5G, en utilisant des chaînes de Markov et des données radio pour prédire l’état de la couverture et de la qualité de service. La deuxième contribution optimise la résilience d'un réseau multi-cellulaire dense pour assurer les contraintes de résilience à l'aide d'un algorithme Deep Q-Network multi-agents. Enfin, dans la dernière contribution nous abordons le défi de la rareté des données collectées afin de faciliter l’automatisation de la gestion des réseaux, notamment la gestion de la résilience. En l'absence de partage des données, on utilise des modèles génératifs pour montrer que la génération de données synthétiques 3GPP de haute qualité, validée par des algorithmes de classification, offre des performances similaires aux données réelles.