Près de 25% de la population mondiale est alimentée par de l’eau en provenance d’aquifères karstiques. La compréhension et la protection de ces derniers apparait donc comme essentielle dans le cadre d’une augmentation des besoins en eau potable. De plus, une contamination des forages d'alimentation en eau potable par une eau turbide peut s'avérer fortement dommageable car entrainant une possible contamination des populations desservies. Dans le cas de la Normandie, des coupures régulières son nécessaires afin de préserver la santé des habitants. La modélisation et la prédiction des augmentations de turbidité apparaissent comme un travail difficile du fait des nombreux phénomènes et paramètres régissant la turbidité ainsi que la non-linéarité de la réponse entre les précipitations et la turbidité. Peu de modèles à l'heure actuelle ont été proposés pour représenter la relation liant la turbidité avec les précipitations. C'est ainsi, en s'intéressant au forage AEP d'Yport responsable de l'alimentation en eau potable de la ville du Havre, que nous proposons une application des réseaux de neurones pour la prévision de la turbidité. Durant les travaux de thèse, nous avons mis en avant la nécessité d'effectuer des campagnes d'échantillonnages des produits phytosanitaires afin de permettre l'identification des éventuels proxies des produits phytosanitaires tel que la turbidité, les précipitations ou bien la conductivité. Par la suite, les travaux effectués dans cette thèse nous ont permis (i) de monter que les modèles par réseaux de neurones permettent de prévoir à 12h et 24h les variations de turbidité, (ii) de tester plusieurs voies d'amélioration de ces modèles, (iii) d'intégrer l'analyse multirésolution aux modèles par réseaux de neurones et pour finir (iiii) d'identifier un semi proxy des contaminations en produits phytosanitaires. / Approximately 25% of the world's population is supplied by water from karstic aquifers. The understanding and protection of these appears to be essential in the context of drinking water needs increasing. In addition, contamination of drinking water by turbid water can be highly damaging by resulting in possible contamination of the served populations. In the case of Normandy, regular drinking water cut-off are necessary to preserve the health of the inhabitants. The modeling and prediction of turbidity event appears as a challenging work because of the number of phenomenon and parameters involves in turbidity variation as well as the non-linearity of the link between rainfall and turbidity. Actually, few models have been proposed to represent the relationship between turbidity and rainfall. In this context, by focusing on Yport's pumping well which is responsible for Half of Le Havre city drinking water supply, we propose an application of neural networks for turbidity prediction. During this thesis work, we emphasized the need to carry out sampling campaigns for phytosanitary products to enable the identification of possible phytosanitary product proxies such as turbidity, rainfall or conductivity. Subsequently, the work carried out in this thesis enabled us to (i) designed neural network models allow to predict at 12h and 24h the turbidity variations, (ii) test several ways to improve these models, (iii) integrate multiresolution analysis into neural networks models and finally (iiii) identify a semi proxy for phytosanitary product contamination.