Cette thèse de doctorat se concentre sur l’explication des anomalies, problématique qui a été beaucoup moins explorée dans la littérature que l’explication des sorties des réseaux de neurones et des classifieurs. Sa première contribution est une taxonomie des méthodes d’explication des anomalies basée sur la nature de l’information qu’elle véhicule. La deuxième contribution est une méthode spécifique d’explication des anomalies, appelée CADI et reposant sur une version revisitée de l’algorithme des forêts d’isolation. Alors qu’une forêt d’isolation classique n’identifie que les anomalies, CADI reconstruit également une partition des instances régulières, puis positionne et explique chaque anomalie par rapport à ces groupes de régularités, tout ceci sans s’appuyer sur des algorithmes externes et sans trop rajouter de complexité à la méthode originale. Elle s’attaque par conséquent à trois problèmes avec une méthode unifiée : la détection des anomalies, le partitionnement et l’explication des anomalies. Des expériences menées sur des jeux de données réels et synthétiques démontrent l’efficacité et la robustesse de l’approche par rapport aux approches dédiées à l’une de ces trois tâches.