Cet article traite du probl\`eme de l'apprentissage des r\'eseaux de neurones \`a base de fonctions radiales pour l'approximation de fonctions non lin\'eaires $L_{2}$ de $\mathcal{R}^{n}$ vers $\mathcal{R}$. Pour ce faire, les algorithmes hybrides sont les plus utilis\'es. Ils font appel \` a des techniques d'apprentissage non supervis\'e pour l'estimation des centres et des param\`etres d'\'echelle des fonctions radiales, et \`a des techniques d'apprentissage supervis\'e pour l'estimation des param\`etres lin\'eaires. La m\'ethode d'apprentissage supervis\'e repose g\'en\'eralement sur l'estimateur des moindres carr\'ees (MC). Cette m\'ethode est optimale dans le cas o\`u le jeu de donn\'ees d'apprentissage $(\bs{x}_{i},y_{i})_{i=1,2,..,N}$ est constitu\'e de sorties $y_{i}$, $i=1,..,N$ bruit\'ees et d'entr\'ees $\bs{x}_{i}$, $i=1,..,N$ exactes. Cependant lors de la collecte des donn\'ees exp\'erimentales il est rarement possible de mesurer l'entr\'ee $\bs{x}_{i}$ sans bruit. L'utilisation de l'estimateur des MC produit une estimation biais\'ee des param\`etres lin\'eaires dans le cas o`u le jeux de donn\'ees d'apprentissage est \`a entr\'ees et sorties bruit\'ees, ce qui engendre l'estimation d'une sortie biais\'ee. Cet article propose l'application d'un crit\`ere bas\'e sur le mod\`ele d'erreur en les variables pour l'estimation des param\`etres lin\'eaires (apprentissage supervis\'e) dans le cas o\`u le jeux de donn\'ees d'apprentissage est \`a entr\'ee et sortie bruit\'ees. L'am\'elioration des performances d'approximation de fonctions non lin\'eaires est illustr\'ee par un exemple.