Cette étude présente un algorithme de Machine Learning (ML) robuste pour la détection et la clas- sification des modes opératoires de soudage. Le modèle ML développé est alimenté par des données expérimentales issues de plusieurs instruments, d’une part, des capteurs (tension, intensité, vitesse fil, vitesse de soudage. . . ) permettant le suivi des paramètres de procédés et par conséquent le suivi d’éner- gie transmise au cours du soudage, et d’autre part, des caméras couplées à un algorithme de traitement d’images permettant l’acquisition in-situ des dimensions géométriques du bain de fusion. Toutes ces informations sont stockées, étiquetées, ordonnées dans une base de données pour un traitement simple et rapide. Par ailleurs, la mise en place de la base de données est nécessaire pour les étapes d’ap- prentissage, de validation et de prédiction du modèle ML. Plusieurs méthodes de Machine Learning sont comparées et analysées en se basant sur des critères de performances (précisions, temps de trai- tement...). Pour conclure, on montre que les modèles de ML permettent de détecter un écart du mode opératoire lors d’une modification de diffusion de la chaleur induisant une modification de la géométrie du bain.