La croissance de l'industrie automobile s'accompagne d'une augmentation du nombre de capteurs radar déployés aujourd'hui. Cette croissance s'accompagne d'une augmentation potentielle des interférences émanant des capteurs radar voisins qui se trouvent à portée. Traditionnellement, les techniques de traitement du signal ont été utilisées pour atténuer les interférences, mais les méthodes d'apprentissage en profondeur ont attiré l'attention ces derniers temps. À cette fin, nous proposons Radar-SACAE (Radar with Spatial Attention and Convolutional Denoising Autoencoder). Il s'agit d'un modèle d'apprentissage profond qui applique l'attention spatiale à l'entrée actuelle de la carte distance-doppler et aux entrées précédentes. Ces données sont ensuite transmises à un autoencodeur convolutif afin d'obtenir des performances très intéressantes, par rapport aux modèles existants, en termes de rapport signal/interférence et bruit et d'ampleur du vecteur d'erreur. Cette performance optimale est obtenue avec une réduction très significative de la complexité de calcul par rapport à d'autres approches d'apprentissage profond.