Une structure de filtrage non linéaire pour l'égalisation aveugle est présentée. Cette structure est basée sur un réseau de neurones, ce qui permet l'inclusion de non linéarités dans la structure du filtre. D'autre part, la stratégie d'apprentissage du réseau est séparée en deux parties : une supervisée et l'autre auto-organisée. La divergence de Kullback-Leibler est utilisée comme base pour une fonction de coût d'une règle d'apprentissage auto-organisée, tandis que le critère du "constant modulus" est utilisé dans la partie supervisée. Les résultats des simulations comparent la performance de cette stratégie par rapport aux stratégies classiques d'égalisation adaptative. Les résultats montrent que, pour certains canaux, la stratégie proposée est plus performante que l'égaliseur à retour des décisions (DFE) supervisé.