Le trouble du spectre de l'autisme (TSA) est un trouble neurodéveloppemental caractérisé par des interactions sociales atypiques. L’hyperscanning est une technique émergente permettant l'enregistrement simultané de l'activité cérébrale de plusieurs individus lors d'interactions sociales. Dans cette étude, des données d'EEG hyperscanning issues de participants autistes et neurotypiques seront traitées par des techniques d’apprentissage profond (AP), améliorées par l'apprentissage auto-supervisé (AAS) pour analyser et discerner des schémas indicatifs de TSA. L'AP est utilisé pour extraire des schémas à partir des données brutes de l'EEG, réduisant la dépendance à l'ingénierie de caractéristiques manuelles, puis l’AAS est appliqué aux des données EEG non étiquetées. Cependant, malgré le potentiel des techniques d’AP, leur application au TSA reste largement inexplorée, notamment en hyperscanning. Afin de combler cette lacune, nous avons adapté et personnalisé des techniques d'AAS proposée par Banville et al., (2020), en incorporant deux encodeurs AP distincts entraînés pour extraire des caractéristiques significatives à partir de données EEG individuelles, et affinés dans un modèle d’AP de classificateur binaire. Des comparaisons ont été réalisées avec des encodeurs initialement aléatoires et des caractéristiques extraites manuellement des données EEG utilisées comme entrées pour un modèle de régression logistique. Le classificateur binaire entraîné sur des caractéristiques apprises par AAS surpasse systématiquement le classificateur de régression logistique et les encodeurs initialisés aléatoirement, atteignant une précision de 78 %, comparable à la performance la plus élevée rapportée par Banville et al. (2020) de 79,4 %. Nos résultats soulignent l'importance des représentations acquises à partir de signaux EEG individuels dans l'architecture multi-cerveaux adaptée à la classification d’EEG hyperscanning. Cette étude encourage ainsi l’utilisation des modèles d’AP dans les analyses d’EEG hyperscanning, notamment pour le développement d'outils de diagnostic et d'interventions plus précis et efficaces pour les personnes autistes, et ce même avec un nombre limité d'échantillons de données. / Autism spectrum condition (ASC) is a neurodevelopmental condition characterized by atypical social interactions. Traditional research on ASC has primarily focused on individual brain signals, but the emerging technique of hyperscanning enables simultaneous recording of multiple individuals' brain activity during social interactions. In this study, we leverage hyperscanning EEG data and employ Deep Learning (DL) techniques, augmented by self-supervised learning (SSL), to analyze and discern patterns indicative of ASC. DL is utilized to extract patterns from raw EEG data, reducing the reliance on manual feature engineering. SSL further enhances DL's efficacy by training on unlabeled EEG data, particularly useful when labeled datasets are limited. Despite the potential of DL techniques, their application in ASC diagnosis and treatment, particularly in hyperscanning, remains largely unexplored. This project aimed to bridge this gap by analyzing hyperscanning EEG data from autistic and neurotypical participants. Specifically, we adapted and customized SSL techniques proposed by Banville et al., incorporating two distinct DL embedders. These embedders are trained to extract meaningful features from single-brain EEG data and finetuned within a binary classifier DL model using hyperscanning EEG data from autistic and control dyads. Baseline comparisons were conducted with supervised, randomly initialized embedders, and hand-engineered features extracted from hyperscanning EEG using as inputs to a logistic regression model. Notably, the binary classifier trained on SSL-learned features consistently outperforms the logistic regression classifier and randomly initialized embedders, achieving an accuracy of 78%. This accuracy is comparable to Banville et al.'s highest reported performance of 79.4%. Our results underscore the significance of representations acquired from individual EEG signals within the multi-brain architecture tailored for hyperscanning EEG classification. Moreover, they hold promise for broader utilization of DL models in hyperscanning EEG analyses, especially for developing more accurate and efficient diagnostic tools and interventions for autistic individuals, even with limited data samples available.