Nous nous intéressonsà l'apprentissage des structures de réseaux bayésiens dans un contexte multi-tâches en tirant parti de l'information communiquée entre tâches similaires. Nous proposons un nouvel algorithme que nous appelons MT-MMHC (Multi-Task Max-Min Hill Climbing) qui combine des méthodes d'apprentissage par transfertà plusieurs approches d'apprentissage de graphes de réseaux bayésiens. Cet algorithme se compose de deux phases principales. La première identifie les tâches les plus similaires et utilise leur similarité pour enrichir l'apprentissage de leurs graphes non orientés correspondants. La seconde oriente les arcs en effectuant une recherche gloutonne contrainte puis optimisée grâce un algorithme de séparation etévaluation (Branchand-Bound). L'évaluation empirique montre que MT-MMHC parvientà de meilleurs résultats que ceux obtenus par l'apprentissage individuel des structures ainsi que ceux de l'algorithme multi-tâches MT-GS de l'état de l'art, en termes de précision d'apprentissage et de temps de calcul.