Cette thèse vise à explorer l'application des techniques d'apprentissage machine pour améliorer la modélisation de la turbulence et les simulations numériques en mécanique des fluides. On s’intéresse plus spécifiquement à l’application des réseaux de neurones artificiels (ANN) pour la simulation des grandes échelles. Cette dernière est une approche de modélisation qui se concentre sur la résolution directe des grandes structures turbulentes, tout en modélisant les petites échelles par un modèle sous-maille. Elle requiert de résoudre un certain ratio de l’énergie cinétique totale. Néanmoins, ce ratio peut être difficilement atteignable pour des simulations industrielles en raison du fort coût de calcul, conduisant à des simulations sous-résolues. On souhaite améliorer ces dernières en orientant les travaux selon deux axes principaux : 1) Utiliser des ANN pour établir des modèles des modèles sous-mailles génériques qui surpassent les modèles analytiques et compensent la grossièreté de la discrétisation spatiale ; 2) Entraîner des ANN pour apprendre des modèles de paroi. L’un des principaux défis à relever est la capacité des nouveaux modèles à généraliser correctement dans des configurations différentes de celles utilisées lors de l'entraînement. Ainsi, la prise en compte des différentes sources et quantification des incertitudes joue un rôle vital dans l’amélioration de la fiabilité et de la robustesse des modèles issus de l'apprentissage machine.