Les principes de la modélisation de non-linéarités sont essentiels pour maints problèmes de la vie réelle. Leur traitement joue un rôle central et influence non seulement la qualité de la solution, mais aussi la complexité computationnelle et les gains dans les compromis possiblement impliqués, qui sont tous hautement demandés dans une variété d'applications, comme la prise du contenu des empreintes digitales active, la reconstitution des images, l'apprentissage supervisé et non-supervisé des représentations discriminatives pour des tâches de reconnaissance d'image et les méthodes de regroupement. Dans la thèse présente un modèle de transformation non-linéaire généralisé novateur est proposé et étudié. Notre intérêt principal et élément de base est la transformation non linéaire exprimée par une double opération qui consiste en une modélisation linéaire suivi d'une non-linéarité par éléments. Pour ce faire, selon l'application considérée, des interprétations probabilistes sont développées et des généralisations et des cas particuliers sont proposées et considérées. Une approximation à la probabilité empirique de la transformation non-linéaire assure l'objectif d'apprentissage où non seulement les compromis correspondants sont identifiés et analysés, mais les connexions à risque d'un point de vue informative-théorique, ainsi qu'empirique sont proposé en considérant les objectifs adressés dans les formulations respectives du problème. L'introduction d'une généralisation qui étend un principe maximal intégré marginal sur l'approximation de la probabilité empirique permet d'adresser l'estimation optimale du paramètre. Dans cet esprit, selon les hypothèses modelées par rapport à un objectif d'application la réalisation du principe marginal maximal, permet d'estimer de manière efficace les paramètres du modèle où des solutions analytiques approximatives et exactes sont proposées, ainsi que des algorithmes itératifs avec des garanties convergentes. Des expériences numériques confirment la validité de notre modèle NT, le principe d'apprentissage, les algorithmes pour la prise du contenu des empreintes digitales active, l'enlèvement du bruit des images, l'estimation d'une représentation de transformation non-linéaire robuste et discriminative pour des tâches de reconnaissance d'image et la méthode de regroupement exécuté dans le domaine de transformation non-linéaire. Lors de la préparation de la thèse nos résultats numériques montrent des avantages, comparés aux méthodes de pointe correspondants, concernant le temps d'apprentissage, la durée de fonctionnement et la qualité de la solution.