Dans cette these, nous proposons un nouvel algorithme de separation aveugle de sources, base sur l'optimisation de l'information mutuelle sous contraintes. Le probleme d'optimisation sous contraintes est resolu par passage au probleme dual. L'estimateur propose du gradient stochastique utilise l'estimation des densites par maximum de vraisemblance dans des modeles de lois exponentielles choisis par minimisation du critere AIC. Ensuite, la methode a ete generalisee a l'ensemble des divergences entre densites de probabilite. Nous avons montre que l'algorithme utilisant la divergence...