Dans un contexte industriel où l’optimisation de la productivité est une préoccupation permanente, les ingénieurs se trouvent confrontés à des problèmes limitant leurs efforts destinés à améliorer leurs moyens de production. C’est dans ce contexte que nous nous sommes intéressés à un de ces problèmes : l’optimisation des conditions de coupe en usinage. De nombreux paramètres dont les paramètres de coupe, la géométrie de l’outil, …, jouent un rôle essentiel dans la productivité des moyens de production au regard des états de surface produites, de la puissance consommée, du temps de production, des efforts de coupe et des vibrations générées. Le choix des conditions de coupe s’avère un facteur très important dans l’usinage. Actuellement, les méthodes les plus utilisées pour faire ce choix sont des méthodes empiriques basées sur l’expérience des fabricants et des utilisateurs des outils coupants (abaques, diagrammes par constat expérimental, etc). Ses expériences, souvent très coûteuses, donnent une large plage de choix des paramètres en fonction de leurs besoins. Ainsi le but de ce travail est de choisir les conditions de coupe de façon intelligente à partir d’un nombre suffisant d’expériences tout en prenant en compte des objectifs parfois opposés comme par exemple l’état de surface et le temps de production. C’est pourquoi une combinaison de plusieurs méthodes - statistiques, analytiques, et expérimentales - devra être mise en œuvre. La méthode de régression linéaire permettra d’obtenir une modélisation mathématique des paramètres de coupe qui seront validés par l’analyse de variance (ANOVA). Finalement, différentes stratégies d’optimisation seront comparées, notamment une approche originale des réseaux de neurones inversés.