Dans cette th se, nous proposons un nouvel algorithme de s paration aveugle de sources, bas sur l'optimisation de l'information mutuelle sous contraintes. Le probl me d'optimisation sous contraintes est r solu par passage au probl me dual. L'estimateur propos du gradient stochastique utilise l'estimation des densit s par maximum de vraisemblance dans des mod les de lois exponentielles choisis par minimisation du crit re AIC. Ensuite, la m thode a t g n ralis e l'ensemble des divergences entre densit s de probabilit . Nous avons montr que l'algorithme utilisant la divergence particuli re de Hellinger a de bonnes propri t s d'effcacit et robustesse en pr sence du bruit en comparaison avec l'information mutuelle. Dans le cadre de signaux cyclostationnaires, les m thodes pr c dentes de s paration ont t adapt es en utilisant des statistiques du second ordre. Nous illustrons les performances des algorithmes propos s pour des signaux simul s et pour des signaux r els issus de machines tournantes.