L'objet de cette thèse est d'appliquer l'apprentissage statistique à la prévision des crues éclair cévenoles qui ont occasionné des pertes humaines et des dégâts considérables durant ces 20 dernières années. Les travaux s'inscrivent dans le cadre du projet Bassin Versant Numérique Expérimental Gardons. Dans ce contexte, ce mémoire se propose de présenter les travaux effectués pour réaliser la prévision des crues du Gardon d'Anduze à Anduze, jusqu'à un horizon de prévision de l'ordre de grandeur du temps de concentration, en l'absence de prévision de pluie, par des méthodes d'apprentissage statistique. La première partie de ce mémoire s'attache donc à présenter la famille de fonctions choisies pour réaliser cette tâche - les réseaux de neurones utilisés pour la prévision du comportement d'un processus dynamique non linéaire -, les propriétés fondamentales qui justifient leur utilisation de ces réseaux de neurones (l'approximation universelle et la parcimonie), ainsi que les méthodes connues pour éviter le surajustement. La deuxième partie de ce mémoire présente le cours d'eau qui constitue l'objet de l'étude : le Gardon d'Anduze et ses Gardonnades ainsi que les études hydrologiques qui y sont consacrées. La troisième partie s'intéresse à la mise en œuvre de méthodes de régularisation connues : la modération des poids et l'arrêt précoce. L'efficacité de ces méthodes est connue, mais il a fallu les adapter dans ce travail pour parvenir à estimer le comportement très intense d'un événement extrême. Le mémoire montre comment éviter les phénomènes de spécialisation observés en fonction de l'ensemble d'arrêt, et il introduit la validation croisée partielle, qui est en fait spécialisée sur les événements intenses. C'est grâce à l'établissement d'une typologie des événements, et grâce à une distribution judicieuse de ceux-ci dans les différents sous-ensembles d'apprentissage, de validation, d'arrêt et de test, qu'une procédure générale a pu être établie pour définir ces sous-ensembles et concevoir le modèle de prévision. Les performances du modèle obtenu en prévision permettent d'envisager qu'une alerte fiable soit disponible sur Internet par l'intermédiaire du SCHAPI et de son site vigicrues, rendant ainsi une aide précieuse aux populations. Ainsi, ce mémoire établit que, contrairement à ce que l'on peut lire dans de nombreuses publications sur les réseaux de neurones appliqués à la prévision des crues, il n'est pas impossible de généraliser à un événement plus intense que ceux de l'ensemble d'apprentissage et il n'est pas non plus impossible d'éviter le surajustement au bruit dans les mesures. C'est également pour cela que les perspectives ouvertes par ce travail sont particulièrement importantes, tant pour intégrer de l'adaptativité dans le modèle que pour généraliser leur application à des bassins versants non jaugés.