Dans cette thèse nous étudions un ensemble de techniques relatives à l’application du chiffrement fonctionnel pour la conception de modèles d’apprentissage automatique sur données à caractère confidentiel. Après avoir passé en revu les schémas de chiffrement fonctionnels majeurs de l’état de l’art, nous proposons des combinaisons et des adaptations de schémas existants. Nous portons une attention particulière aux schémas basés sur les problèmes de réseaux LWE et RLWE pour leurs propriétés post-quantiques. A des fins d’expérimentations, nous déroulons des scénarios d’utilisation du chiffrement fonctionnel pour la conception et l’exploitation de modèles de classification sur des données de type images et acoustiques. Nous démontrons ainsi la faisabilité d’application de ce type de construction cryptographique à des cas d’usage industriels. En particulier, nous rapportons des exemples de déchiffrements fonctionnels permettant le calcul d’analyse par composantes principales, d’analyse discriminante linéaire et de transformée de Fourier, ainsi que le calcul de couches neuronales de convolutions linéaires et quadratiques. Enfin, nous proposons un ensemble de méthodes pour la recherche de paramètres de chiffrement fonctionnel maximisant les performances des modèles à apprendre tout en garantissant un niveau de sécurité et une probabilité d’exactitude de déchiffrement.