RésuméLes modèles de Markov cachés ou HMM 1 sont largement utilisés dans les domaines de la reconnaissance des formes, de la parole ainsi que dans la modélisation de processus complexes. Nous proposons dans cette étude d'évaluer la pertinence des paramètres de modèles de Markov cachés de façon objective sans connaissance a priori. Nous présentons des critères permettant d'évaluer la pertinence d'événements stochastiques issus de modèles de Markov cachés. Nous étayons notre étude en nous appuyant sur l'exemple concret d'un processus industriel. Nous évaluons alors les paramètres de sortie des différents modèles testés sur ce processus, pour finalement s'orienter vers le modèle le plus pertinent. Nous validons nos méthodes de mesures de pertinence en retrouvant la topologie ayant servi à construire le modèle. Nous confrontons nos résultats provenant d'un modèle de synthèse avec des données provenant du processus industriel maintenu. Nous concluons alors sur la topologie qui traduit le mieux la dégradation d'un système réel. SummaryHidden Markov Models are widely used in the fields of pattern recognition, speech and the modeling of complex processes. We propose in this study to assess the relevance of the parameters of hidden Markov models without a priori knowledge. First, we present different criteria usually used in model selection. We study a concrete example of an industrial process. We then evaluate the output parameters of the different models tested in this process, to finally find the most appropriate model. We validate our methods by finding the topology used to build the model. We compare our results with synthetic data. We conclude that the topology 2 best reflects the degradation of a real system.