Cette thèse discute de la conception d'algorithmes utilisant des méthodes d'apprentissage profond pour aborder trois questions clés dans le domaine de l'épilepsie. Premièrement, nous avons conçu un algorithme de détection automatique de l'épilepsie basé sur le Transformer et la fonction de perte LDAM afin d'aider les neurologues à identifier avec précision les signaux EEG épileptiques à partir d'enregistrements EEG de longue durée. Deuxièmement, nous avons proposé un algorithme de prédiction automatique de l'épilepsie basé sur l'apprentissage par transfert et la fusion de plusieurs caractéristiques, visant à émettre des avertissements d'épilepsie avant que les crises ne surviennent, minimisant ainsi ou évitant les dommages causés par les crises épileptiques. Enfin, nous avons introduit un algorithme de localisation des sources EEG épileptiques basé sur l'apprentissage multi-échelle et dirigé par la simulation pour analyser les signaux EEG du cuir chevelu et identifier avec précision les foyers épileptiques sur le cortex cérébral.