Le toucher est considéré comme l'un des sens primordiaux à modéliser chez un robot afin de lui permettre de générer des comportements plus souples et plus agiles comme attraper un objet, toucher (ou être touché par) une personne. Même si les capteurs tactiles actuels sont encore très limités en comparaison à la peau humaine, combinés à la vision, au son et à la proprioception, le développement de nouveaux capteurs proches de la peau humaine pourrait démultiplier les capacités d'interactions d'un robot afin d'interagir directement avec une personne en toute sécurité et de partager avec lui son environnement physique et social. A la différence de la peau humaine, les principaux capteurs tactiles sont capables de détecter des variations de pression et de poids sur de petites surfaces uniquement. De plus, ceux-ci sont souvent très rigides et n'ont pas les propriétés élastiques de déformation de la peau humaine. Les travaux de cette thèse se basent sur la développement d'une interface tactile proche de "peau artificielle" en termes de surface de recouvrement (qui peuvent atteindre plusieurs dizaines de centimètres carrés) et de localisation des points de contact de quelques dizaines de millinewtons. Les travaux de cette thèse se basent sur deux aspects principaux: (i) aspects d'ingénierie comprenant le développement d'un prototype de peau artificielle conçue pour un robot humanoïde afin de lui conférer une perception tactile, et (ii) aspects cognitifs qui s'appuient sur l'intégration de multiples rétroactions sensorielles (tactile, visuelle, proprioceptive) dans le but d'avoir un robot qui puisse interagir physiquement avec les personnes. Le prototype tactile développé est basé sur la reconstruction du champ électrique à la surface d'un matériau conducteur, suivant le principe de la Tomographie d'Impédance Électrique (TIE). Comme nouvelle idée, nous avons implémenté des techniques d'apprentissage par réseau de neurones artificiels afin de reconstruire l'information sans utiliser les techniques analytiques d'inversion de matrice coûteuse en temps de calcul. De plus, je montre que l'utilisation de réseaux de neurones artificiels permet d'avoir un système beaucoup plus biomimétique, indispensable pour comprendre la perception du toucher. D'autre part, nous avons amélioré notre prototype en modélisant des mécanorécepteurs adaptifs rapides et lents. Les récepteurs adaptatifs rapides sont les capteurs de vitesse du stimulus appliqué. Parmi ceux-ci se trouvent les corpuscules de Meissner qui sont capables de détecter de faibles pressions et dont la fréquence de réponse est comprise entre 30 et 40 Hz. Les récepteurs adoptifs lents sont des récepteurs d'intensité du stimulus appliqué. Par exemple, les disques de Merkel détectent la pression statique et répondent aux stimuli avec une fréquence de 15 Hz. Nous avons ensuite abordé le problème de l'intégration des informations tactiles et motrices. Après avoir recouvert un bras manipulateur avec la peau artificielle, nous avons fait apprendre un réseau de neurones son schéma corporel et à adapter sa compliance par retour tactile. Le fonctionnement du moteur est basé sur le contrôle par l'admittance du bras du robot. Des expériences montrent que les réseaux de neurones peuvent contrôler l'interaction adaptative entre le bras du robot avec l'humain grâce à l'estimation du couple appris selon la position où la force tactile avait été appliquée lors de la phase d'apprentissage. Enfin, on s'est intéressé à la problématique de la représentation du corps au niveau neuronal, comment les êtres humains perçoivent leur propre corps à travers tous les sens (visuel, tactile et proprioceptif). Nous avons proposé un modèle biologique au niveau du cortex pariétal qui s'appuie sur l'intégration de multiples rétroactions sensorielles du corps du robot (son bras) et sur la synchronisation des rétroactions visuelles et proprioceptives. Nos résultats montrent l'apprentissage d'une image corporelle avec l'émergence de neurones qui codent une information spatiale visuo-tactile relative au déplacement du bras et centrée soit sur le bras robotique soit centrée sur l'objet.