Ces dernières années, l'apprentissage supervisé avec des réseaux de neurones convolutifs (CNNs) a connu une adoption massive dans les applications de vision par ordinateur. En comparaison, l'apprentissage non supervisé avec des CNNs a reçu moins d'attention. Dans ce travail, nous espérons contribuer à combler l'écart entre le succès des CNNs pour l'apprentissage supervisé et celui pour l'apprentissage non supervisé. Nous introduisons une classe de CNNs appelée réseaux génératifs adversariaux convolutifs profonds (DCGANs), qui présentent certaines contraintes architecturales, et démontrons qu'ils constituent un candidat prometteur pour l'apprentissage non supervisé. En formant ces réseaux sur divers ensembles de données d'images, nous montrons des preuves convaincantes que notre paire d'adversaires convolutifs profonds apprend une hiérarchie de représentations, allant des parties d'objets aux scènes, tant dans le générateur que dans le discriminant. De plus, nous utilisons les caractéristiques apprises pour des tâches nouvelles, démontrant ainsi leur applicabilité en tant que représentations d'images générales.