La paralysie cérébrale (PC) cause souvent d’importants troubles de la marche. Suite à un examen clinique et une analyse quantifiée de la marche (AQM), ces troubles peuvent être traités par une chirurgie orthopédique, dite multi-sites, au cours de laquelle plusieurs corrections chirurgicales sont faites simultanément à différents niveaux des membres inférieurs. Les améliorations cinématiques apportées par ce traitement, bien que parfois très efficaces, demeurent à ce jour difficilement prévisibles. L’objectif de cette thèse est de simuler par apprentissage statistique supervisé l’effet de la chirurgie sur les signaux de marche, notamment les signaux cinématiques.Ce simulateur vise à montrer le résultat probable de la marche postopératoire afin d’aider à la décision chirurgicale. Une base de données constituée de 134 enfants atteints de PC, ayant été opérés et ayant eu au moins une AQM avant et après la chirurgie, a été exploitée. Les signaux cinématiques ont été prétraités et les données cliniques manquantes ont été imputées.Des caractéristiques des données prétraitées ont été extraites en utilisant différentes méthodes telles que l’approximation des courbes, la sélection de variables et la réduction de dimension par analyse en composantes principales. Ensuite des régressions ont été faites en utilisant différentes méthodes telles que la régression multilinéaire, la régression non linéaire avec des réseaux de neurones et l’apprentissage par ensembles. Les différentes méthodes testées ont été comparées entre elles, ainsi qu’avec d’autres méthodes trouvées dans la littérature. Il s’agit de la première fois que l’effet de la chirurgie sur la marche paralysée cérébrale est simulé de façon quantitative pour des nombreuses combinaisons chirurgicales et des nombreux patterns de marche. / Cerebral Palsy frequently leads to gait troubles. After a physical examination and a Clinical Gait Analysis (CGA), these walking troubles are usually treated by orthopedic surgery, called single event multi-level surgery (SEMLS), in which several surgical corrections are simultaneously done at different levels of the lower limbs. Kinematic improvements obtained by this treatment are sometimes very efficient, but at this moment they remain difficultly predictable. The objective of this thesis is to simulate the effect of surgery on gait parameters, using supervised statisticalmachine learning. The purpose of the simulator is to show the most likely gait outcome in order to improve decision-making in SEMLS. The database was composed of 134 children with cerebral palsy that have undergone surgery and have had at least one CGA before and after the treatment. Gait signals were preprocessed and physical examination missing data were imputed. Features of the preprocessed data were extracted using different techniques such ascurve fitting, variable selection and dimensionality reduction. Then regressions were performed utilizing different methods such as multiple linear regression, feedforward neural networks and ensemble learning. The tested methods and their performances were compared between them andto other methods in the literature. This work represents the first time that the effect of surgery on cerebral palsy gait is quantitatively simulated for a large number of surgical combinations and numerous different gait patterns.