Apprendre à partir de données compressées présente plusieurs avantages. Tout d'abord, cela permet d'éviter le décodage complet. De plus, l'analyse est effectuée sur des données de taille réduite par rapport aux images entièrement décodées. Cependant, les approches existantes d’apprentissage sur données compressées réalisent généralement un décodage partiel en procédant à un décodage entropique, car le codage entropique détruit la structure des données, rendant ainsi l’apprentissage plus complexe. De là découle notre question de recherche : comment apprendre efficacement sur des données codées entropiquement ? Notre travail s’articule autour de plusieurs contributions. Tout d'abord, nous montrons qu’il est possible d’apprendre sur des images codées entropiquement à l’aide d’un réseau de neurones convolutif (CNN), et que les performances peuvent être prédites par l’entropie jointe du signal compressé. Nous proposons ensuite une nouvelle méthode d’apprentissage directement sur le flux compressé d’images JPEG, reposant sur un décodage partiel opérant sur des portions extraites du flux compressé. Troisièmement, nous introduisons une méthode de compression homomorphique adaptée au codage entropique. Enfin, nous ouvrons deux perspectives de recherche, pour lesquelles nous présentons des études préliminaires : l’apprentissage sur données codées entropiquement à l'aide de Transformers, et la génération automatique de descripteurs dans le domaine compressé.