La programmation logique inductive (PLI) est une méthode d’apprentissage qui permet de générer une hypothèse, sous la forme d’un ensemble de règles, décrivant le plus exactement et succinctement possible un ensemble de données, en prenant éventuellement en compte une connaissance de référence (exprimée en logique du premier ordre). Dans cet article on propose une nouvelle formalisation du problème de la PLI, ici codée en logique possibiliste du premier ordre. Ceci permet de manipuler des exceptions au moyen de règles associées à des niveaux de priorité, en s’inspirant du raisonnement non-monotone. En effet, lorsque l’on utilise la logique du premier ordre classique, les exceptions des règles qui constituent une hypothèse s’accumulent. De plus, classer un exemple dans deux classes différentes, même si l’une d’elle est la bonne, n’est pas correct au sens de la PLI. La formalisation possibiliste fournit un codage du raisonnement non-monotone afin de gérer des règles avec exceptions et d’empêcher un exemple d’être classé dans plus d’une classe. Les avantages de l’approche proposée par rapport à l’apprentissage de listes de décision sont discutés. Sous sa forme possibiliste, le problème de la PLI devient un problème d’optimisation au niveau algorithmique. Un algorithme basé sur le recuit simulé induisant directement des hypothèses est proposé. Les expérimentations présentées prouvent que l’algorithme est très efficace sur des bases de données de référence en PLI telle que la base de données MESH.