Nous proposons un système connexionniste pour la reconnaissance d'objets partiellement cachés (pièces industrielles 2D). La stratégie choisie est la suivante: à partir d'un contour de l'objet à reconnaitre, une approximation polygonale est réalisée. Puis, des fonctions de reconnaissance sont calculées sur le résultat de l'approximation polygonale (typiquement, une fonction de reconnaissance est une fonction logique qui est vraie lorsque des configurations angulaires spécifiques sont trouvées sur le polygone). Les valeurs de ces fonctions alimentent un réseau de neurones multi-couches entrainé par l'algorithme de rétropropagation. Des améliorations de cet algorithme ont été nécessaires afin d'obtenir un apprentissage satisfaisant. Certaines d'entre elles sont décrites. Pendant la phase d'apprentissage, on entraine le réseau de neurones à reconnaitre des objets partiellement cachés (les configurations d'occlusion sont choisies aléatoirement). Puis, le réseau est testé sur des images qui n'ont pas servi à l'apprentissage. Des expérimentations conduites sur plus de 100 images, avec environ 5 objets (souvent partiellement cachés) par image ont montré un taux de reconnaissance de 94%. Nous proposons également une comparaison avec un système d'apprentissage symbolique afin de mettre en valeur les avantages et les inconvénients de chaque méthode.