Nous considérons le problème de la prévision de séries temporelles non linéaires et proposons une nouvelle méthode, appelée Kernel Dynamical Modelling ou modèle dynamique à noyaux (MDN). Cette méthode, fondée sur l’utilisation de fonctions noyaux, étend les modèles dynamiques linéaires classiques, en considérant des vecteurs de l’espace des caractéristiques (feature space) associé à un noyau. La mise en œuvre de notre approche fait intervenir par deux fois l’astuce des noyaux (kernel trick) : une première fois pour l’apprentissage des paramètres du modèle et une seconde fois pour le calcul des antécédents (pré-images) des points de la série, qui est prédite dans l’espace des caractéristiques. La détermination des antécédents se fait grâce à l’utilisation de machines à vecteurs de support pour la régression et permet de résoudre de manière originale le problème des pré-images. Les capacités de prévision de notre modèle sont évaluées sur deux séries temporelles chaotiques. Les performances que nous obtenons sont de qualité équivalente ou supérieure à celles obtenues lorsque la prévision est effectuée par une machine à vecteurs de support classique.