La simplification de phrases vise à rendre les phrases plus faciles à lire et à comprendre. Les approches récentes s'appuient sur des connaissances issues de la traduction automatique pour apprendre des réécritures de simplification à partir de corpus monolingues contenant des phrases complexes et simples. Nous abordons le problème de simplification avec un modèle encodeur-décodeur couplé à un cadre d'apprentissage par renforcement profond. Notre modèle, que nous appelons {\sc Dress} (acronyme pour {\bf D}eep {\bf RE}inforcement {\bf S}entence {\bf S}implification), explore l'espace des simplifications possibles tout en apprenant à optimiser une fonction de récompense qui encourage des sorties simples, fluides et qui préservent le sens de l'entrée. Des expériences menées sur trois jeux de données montrent que notre modèle surpasses les systèmes concurrents de simplification.