Le béton est le matériau de construction le plus utilisé depuis plus d’un siècle. Après sa mise en place et sa prise, il connaît diverses évolutions dimensionnelles d’origine physique comme le retrait et d’origine physique et mécanique comme le fluage. Le séchage qui accompagne le durcissement du béton conduit à d’importantes variations dimensionnelles, qui peuvent se manifester par des fissures préjudiciables à la durabilité et à la bonne tenue des ouvrages. La présente étude a pour objet de montrer l’application d’une approche non paramétrique dite « Réseaux de Neurones Artificiels » afin de prévoir efficacement les variations dimensionnelles spontanées et différés (Retrait de Dessiccation et Fluage de Dessiccation). L’utilisation de cette approche permet le développement de modèles pour leur prévision en utilisant un réseau multicouche à rétropropagation. Ils s’appuient également sur une grande base de données de résultats expérimentaux recueillis dans la littérature et sur un choix approprié des architectures et du processus d’apprentissage utilisés. Ces modèles prennent en compte les différents paramètres de conservation et de confection qui influent sur le retrait et le fluage du béton. Pour mieux apprécier la validité de ces modèles, nous les avons comparés avec d’autres existants dans la littérature tel que : B3, ACI 209, CEB et GL2000. De ces comparaisons, il ressort que ces modèles sont correctement adaptés pour décrire l’évolution dans le temps du retrait et du fluage. / Concrete is the material the most used in construction works for a century. After establishment and setting, various physical and mechanical dimensional developments. Occur drying is developing with hardening of concrete and leads to significant dimensional changes, that can induce cracking, pre judiciable at the durability of the civil engineering works. This study aims to demonstrate the application of a nonparametric approach called Artificial Neural Networks to provide effective spontaneous and differed dimensional variations (drying shrinkage and drying creep). Using this approach allows the development of predicting models. These models use a multi layer back propagation. They also rely on a very large database of experimental results obtained in the literature and an appropriate choice of architectures and learning process. These models take into account the different parameters of preservation and making that affect drying shrinkage and creep of concrete. To appreciate the validity of our models, we have compared with other existing models : B3, ACI 209, CEB and GL2000. In these comparisons, it appears that our models are correctly adapted to describe the time evolution of drying shrinkage and creep.