Nous nous intéressons à l'utilisation partagée du spectre entre un radar et un système de communication sans fil. C'est une des pistes envisagée pour lutter contre la congestion des réseaux de communication. Le canal de transmission est modélisé par la somme d'un bruit gaussien et d'une interférence radar. Les constellations standards ne sont pas efficaces dans ce contexte. Nous proposons ici d'utiliser une technique d'apprentissage par réseaux de neurones pour le design de la constellation et du détecteur. Les méthodes d'apprentissage sont particulièrement appropriées lorsque l'on ne dispose pas d'une expression analytique de la fonction de coût ou lorsque celle ci est trop compliquée. La méthode proposée améliore significativement les performances par rapport à la configuration standard. Elle est valide quel que soit le niveau d'interférence contrairement aux méthodes proposées jusqu'ici dans la littérature. Abstract-Radar and wireless communication coexistence is considered in this paper as a possible solution to face the exploding demand and rising congestion in wireless networks. The transmission medium is modeled as an AWGN channel with additive radar interference. Standard constellations are not optimal in this context and deep learning is used to design proper constellations and corresponding receiver devices. Deep learning is particularly relevant in the lack of an analytical expression of the loss function. The proposed method is able to yield solutions that outperform the standard configurations. This is a step further compared to previous works in which solutions were limited to low or high interference regimes.