Les travaux de cette thèse portent sur l'identification des systèmes dynamiques hybrides. Nous nous intéressons plus précisément à l'identification d'une classe particulière des systèmes hybrides qui est la classe des modèles dynamiques affines par morceaux (PWA). Nous faisons tout d'abord un état de l'art sur d'identification des modèles PWA. Nous proposons ensuite de nouvelles méthodes d'identification des modèles PWA basées sur des techniques innovantes de classification non supervisée combinées avec des techniques de régression pour grouper les données selon leurs sous-modèles respectifs. Puis nous procédons à l'estimation des régions de validité des sous-modèles. Nous proposons ensuite un algorithme récursif d'identification de modèles dynamiques affines par morceaux (PWA) et de modèles dynamiques non linéaires par morceaux dont les paramètres des sous-modèles et des régions peuvent varier dans le temps. Une technique de régression par des LS-SVM récursifs permettant l'adaptation des fonctions de régression est ainsi proposée. L'adaptation des paramètres des régions de validité est assurée par un nouvel algorithme de classification incrémentale et décrémentale multi-classe à vecteurs de support. La dernière partie de ce travail est consacrée à la validation de nos méthodes sur des exemples réels. Nous appliquons nos méthodes à l'identification d'un système hydraulique à surface libre puis à la modélisation d'une machine de montage de composants électroniques sur circuit imprimé. Nous montrons aussi comment la segmentation temporelle de vidéos en différentes scènes peut être effectuée en se basant sur une estimation de sous-modèles linéaires locaux. / In this thesis, we consider the identification of a special class of hybrid systems which is the class of PieceWise Affine (PWA) systems from input-output data. The identification of PWA models is a challenging problem. It involves the estimation of both the parameters of the affine sub-models, and the coefficients of the hyperplanes defining the partition of the state + input set. First, we give an overview of the different approaches available in the literature for the identification of PWA systems. Then, we propose new methods for identifying PWA models from data. The solution includes the estimation of the number of sub-models, the identification of the parameter vectors that describe the different sub-models and the determination of the bounding hyperplanes of the polyhedral regions associated with the sub-models. After this, we propose a recursive algorithm for identifying PieceWise Affine systems (PWA) and PieceWise nonlinear systems where the parameters of the sub-models and the regions can vary over time. A recursive LS-SVM technique is proposed for recursive updating of the parameters of each sub-model. The adaptation of the parameters of the regions is ensured by an online multi-category support vector classifier. The last part of this work is devoted to the validation of our methods on real examples. We apply our methods to the identification of a hydraulic system and a pick-and-place machine. We also show how the temporal segmentation of video into different shots can be performed, based on the estimation of local linear sub-models.