La rupture des pentes et l’éclatement des roches, qui représentent deux types de risques naturels fréquents dans le monde, peuvent engendrer des conséquences économiques importantes et des pertes en vie humaine. Malgré que les phénomènes soient étudiés depuis de longues années, il reste encore des questions ouvertes et sans réponse et il est donc encore nécessaire poursuivre les recherches sur cette thématique. Le présent travail de thèse est consacré la modélisation numérique de la stabilité des grandes pentes et de l’éclatement des massifs rocheux en utilisant des méthodes basées sur l’intelligence artificielle en proposant des modifications et des améliorations de telles méthodes. En se basant sur des observations de déplacements de terrain, le glissement de terrain, qui est phénomène commun de la rupture de pentes, est étudié par le processus de Gauss afin de prédire son apparition temporelle. Ensuite, la question d’évaluation de la stabilité des pentes est abordée en utilisant la stratégie de machine à vecteurs de pertinence (RVM) avec des hyper-paramètres adaptatifs. Une approche itérative est proposée afin de déterminer les valeurs optimales des hyper-paramètres. Afin d’améliorer la prédiction, l’évaluation complète de la stabilité des pentes est réalisée en proposant un modèle basé sur la théorie de flou (CM) associé à un processus analytique d’hiérarchisation pondérée (WAHP). Ce modèle est utilisé à l’évaluation de la stabilité de la pente de rive gauche de la centrale hydroélectrique de Jinping 1, dans la région Sud-Ouest de Chine. Enfin, dans la dernière partie, la problématique de l’éclatement des massifs rocheux est abordée en utilisant des modèles basés sur la théorie du flou, en se basant sur une synthèse de 164 cas réels. Des comparaisons entre les résultats numériques et des données de terrain sont présentées pour de différents cas étudiés dans cette thèse. / Slope failures and rock burst, which are two typical types of geological hazards, create tremendous economic damages and cause massive losses to the health of domestic humans or animals every year throughout the world. The severe situation implies that they are still in need to be further studied despite the fact that they have been discussed for a long time. The present work is devoted to presenting the analysis of slope failures and rock burst using some computational intelligent models with modifications and improvements. Then landslide, a common type of slope failure, is analyzed for time occurrence prediction using the Gaussian Process by means of field-observed displacement series. After that, the problem of slope stability evaluation is discussed using the strategy of relevance vector machine (RVM) with adaptive hyper-parameter. An iteration approach is presented to find optimal hyper-parameter values in this chapter. Afterwards, the comprehensive evaluation of slope stability is carried out with the cloud model (CM) and weighted analytical hierarchy process (WAHP) closely related to the left abutment slope of Jinping 1 Hydropower Station, southwest of China. Finally, prediction of rock burst classification is engaged using the cloud models synthesized with the attribution weights on the basis of 164 rock burst cases. In each modeling of the associated problems, comparisons are given on the performance of each strategy as well as some evaluations.