Cette thèse examine l'extraction d'énoncés et de preuves mathématiques à partir d'articles PDF scientifiques en l'abordant comme un défi de classification multimodale. Elle fait partie du projet plus vaste TheoremKB, qui vise à convertir la littérature scientifique en une base de connaissances complète et en libre accès d'énoncés mathématiques et de leurs preuves. La recherche s'appuie sur une gamme de techniques allant de l'apprentissage automatique traditionnel aux architectures avancées d'apprentissage profond, notamment LSTM, CNN, détecteurs d'objets, CRF, transformateurs, etc. L'étude utilise une nouvelle combinaison de texte, de caractéristiques de police et d'images bitmap à partir de pages PDF comme modalités d'entrée distinctes. Elle propose une stratégie d'apprentissage automatique modulaire, séquentielle et multimodale intégrant un mécanisme d'attention intermodal pour produire des incorporations de paragraphes multimodaux. Ces incorporations sont traitées via une nouvelle architecture de transformateur à fenêtre coulissante multimodale qui capture les données séquentielles sur plusieurs paragraphes. Cette approche innovante ne repose pas sur le prétraitement par reconnaissance optique de caractères (OCR), les sources LATEX pendant l'inférence ou la pré-formation personnalisée sur les pertes spécialisées, ce qui la rend apte à gérer des documents multipages et des sauts de page, généralement dans des textes scientifiques et mathématiques complexes. Les résultats indiquent une amélioration marquée des performances lors du passage d'un traitement unimodal à un traitement multimodal et de l'intégration de la modélisation séquentielle des paragraphes, soulignant l'efficacité de la méthode proposée pour gérer des documents scientifiques complexes.