Le but de cette thèse est d'utiliser les perceptrons multicouches et l'algorithme de rétropropagation du gradient afin de mettre en oeuvre expérimentalement des commandes neuronales pour la robotique mobile a roues et a pattes. Apres une introduction aux perceptrons multicouches et a la rétropropagation, puis un survol de quelques applications issues d'une étude bibliographique, nous montrons que l'inconvénient principal de l'apprentissage d'une commande par rétropropagation est l'utilisation d'une sortie désirée (rétropropagation directe). Nous proposons une solution qui rétropropage un critère qui exprime mathématiquement l'objectif robotique et ses contraintes (rétropropagation indirecte). Cette solution évite d'utiliser un modèle inverse du robot ou un modèle comportemental de référence, ce qui permet d'appliquer en ligne la rétropropagation, donc de faire de la commande neuronale adaptative. La validation expérimentale de cette technique est réalisée par la commande en position et en orientation d'un robot mobile non holonome a deux roues motrices indépendantes. Nous montrons la faisabilité de la méthode notamment la capacité d'adaptation du réseau aux contraintes cinématiques du robot. Dans un but d'étude préliminaire a la commande neuronale des robots a pattes, nous appliquons la même méthode au contrôle de l'équilibre dynamique d'un bipède plan en simulation. Nous montrons que la rétropropagation hors-ligne d'un critère permet de maintenir l'équilibre dynamique du système sans aucune connaissance a priori sur la trajectoire des pattes. Utilise en-ligne, l'apprentissage améliore nettement le contrôle de l'équilibre