Les nano-oscillateurs à transfert de spin sont des composants radiofréquences magnétiques non-linéaires, nanométrique, de faible consommation en énergie et accordables en fréquence. Ce sont aussi potentiellement des candidats prometteurs pour l’élaboration de larges réseaux d’oscillateurs couplés. Ces derniers peuvent être utilisés dans les architectures neuromorphiques qui nécessitent des assemblées très denses d’unités de calcul complexes imitant les neurones biologiques et comportant des connexions ajustables entre elles. L’approche neuromorphique permet de pallier aux limitations des ordinateurs actuels et de diminuer leur consommation en énergie. En effet pour résoudre des tâches cognitives telles que la reconnaissance vocale, le cerveau fonctionne bien plus efficacement en terme d’énergie qu’un ordinateur classique. Au vu du grand nombre de neurone dans le cerveau (100 milliards) une puce neuro-inspirée requière des oscillateurs de très petite taille tels que les nano-oscillateurs à transfert de spin. Récemment, une première démonstration de calcul neuromorphique avec un unique nano-oscillateur à transfert de spin a été établie. Cependant, pour aller au-delà, il faut démontrer le calcul neuromorphique avec plusieurs nano-oscillateurs et pouvoir réaliser l’apprentissage. Une difficulté majeure dans l’apprentissage des réseaux de nano-oscillateurs est qu’il faut ajuster le couplage entre eux. Dans cette thèse, en exploitant l'accordabilité en fréquence des nano-oscillateurs magnétiques, nous avons démontré expérimentalement l'apprentissage des nano-oscillateurs couplés pour classifier des voyelles prononcées avec un taux de reconnaissance de 88%. Afin de réaliser cette tache de classification, nous nous sommes inspirés de la synchronisation des taux d’activation des neurones biologiques et nous avons exploité la synchronisation des nano-oscillateurs magnétiques à des stimuli micro-ondes extérieurs. Les taux de reconnaissances observés sont dus aux fortes accordabilités et couplage intermédiaire des nano-oscillateurs utilisés. Enfin, afin de réaliser des taches plus difficiles nécessitant de larges réseaux de neurones, nous avons démontré numériquement qu’un réseau d’une centaine de nano-oscillateurs magnétiques peut être conçu avec les contraintes standards de nano-fabrication. / Spin-torque nano-oscillators are non-linear, nano-scale, low power consumption, tunable magnetic microwave oscillators which are promising candidates for building large networks of coupled oscillators. Those can be used as building blocks for neuromorphic hardware which requires high-density networks of neuron-like complex processing units coupled by tunable connections. The neuromorphic approach allows to overcome the limitation of nowadays computers and to reduce their energy consumption. Indeed, in order to perform cognitive tasks as voice recognition or image recognition, the brain is much more efficient in terms of energy consumption. Due to the large number of required neurons (100 billions), a neuromorphic chip requires very small oscillators such as spin-torque nano-oscillators to emulate neurons. Recently a first demonstration of neuromorphic computing with a single spin-torque nano-oscillator was established, allowing spoken digit recognition with state of the art performance. However, to realize more complex cognitive tasks, it is still necessary to demonstrate a very important property of neural networks: learning an iterative process through which a neural network can be trained using an initial fraction of the inputs and then adjusting internal parameters to improve its recognition or classification performance. One difficulty is that training networks of coupled nano-oscillators requires tuning the coupling between them. Here, through the high frequency tunability of spin-torque nano-oscillators, we demonstrate experimentally the learning ability of coupled nano-oscillators to classify spoken vowels with a recognition rate of 88%. To realize this classification task, we took inspiration from the synchronization of rhythmic activity of biological neurons and we leveraged the synchronization of spin-torque nano-oscillators to external microwave stimuli. The high experimental recognition rates stem from the weak-coupling regime and the high tunability of spin-torque nano-oscillators. Finally, in order to realize more difficult cognitive tasks requiring large neural networks, we show numerically that arrays of hundreds of spin-torque nano-oscillators can be designed with the constraints of standard nano-fabrication techniques.