L’électroencéphalogramme (EEG), mesure de l'activité électrique du cerveau, reste une des meilleures méthodes de prévision non-invasive des résultats neurologiques. L'objectif de notre travail est de développer un système de classification automatique qui prévoit des risques sur la maturation cérébrale, se traduisant par un état pathologique à 2 ans. Les caractéristiques du signal EEG, qui sont utiles à la prévision automatisée, sont traitées via un module appelée EEGDiag, et sont appliquées sur un ensemble de données issues de 397 dossiers de nouveau-nés prématurés. Chaque dossier comprend un enregistrement EEG, et un rapport concernant les informations et les diagnostics de l’enfant à la naissance et 2 ans plus tard (normal, pathologique ou douteux). Pour aider les médecins à prévenir l’état neurologique anormal du nouveau-né prématuré, nous avons développé plusieurs modèles de classification qui s’appliquent sur différentes séries de caractéristiques du signal EEG inspirées des annotations des neuropédiatres. Plusieurs modèles de classification et d’aide à la décision sont testés sur différentes extractions de la base de données afin de fournir aux médecins le système de classification le plus performant. Notre système proposé permet de détecter automatiquement des pronostics sur l’état pathologique du nouveau-né prématuré. Notre travail a consisté à subdiviser l’amplitude des bouffées du signal EEG en trois catégories : faible, moyenne et forte. Cette étude de subdivision a permis de choisir les intervalles associés à ces trois catégories permettant d’augmenter considérablement la performance de notre système de classification automatique. Une analyse de corrélation a permis de détecter des relations d’indépendance et de redondance entre certaines données, ce qui permet de réduire le nombre de variables décisives et de sélectionner ainsi la meilleure série de variables qui ramènent notre système à devenir optimal et plus efficace. Ces études nous ont permis d’atteindre un système de classification automatique basé sur une série de 17 variables avec une exactitude 93.2%. Ce système peut apporter une bonne sensibilité à la prévision de l’état neurologique du nouveau-né prématuré et peut servir comme aide à la décision dans le traitement clinique. / The electroencephalogram (EEG), a measure of the electrical activity of the brain, remains one of the best non-invasive methods for predicting neurological outcomes. The aim of our work is to develop an automatic classification system which predicts risks on cerebral maturation that can lead to a pathological condition at 2 years. The EEG signal characteristics, which are useful for automated prediction, are processed via an application called EEGDiag, and applied to a set of 397 records for premature infants. Each record include an EEG record and a report on infant information and diagnosis at birth and 2 years later (normal, sick or risky). To assist physicians in preventing any abnormal neurological condition of the premature newborn, we have developed several intelligent classification models which can be applied to several series of characteristics of the EEG inspired from the annotations of neuropediatricians. Several classification and decisional aid models have been tested on different extracted databases in order to offer to doctors the best efficient classification system. Our proposed system automatically detects the prognosis of the premature newborn pathological condition. Our work consisted of subdividing the amplitude of EEG signal burst into three categories: low, medium and high. This subdivision study allowed to choose Intervals of these three categories which have served to greatly increase the performance of our intelligent classification system. A correlative data analysis allowed to create an independence and redundancy relation between the data attributes, which reduces the number of decisive parameters and thus selects the best series of parameters that made our system optimal and more efficient. These studies enabled us to achieve a classification system based on a series of 17 parameters with an accuracy 93.2%. This system can provide good sensitivity on predicting the neurological status of premature newborn and can be used as a decisional aid in clinical treatment.