La reconnaissance des actes de dialogue (DA) est cruciale pour de nombreuses tâches de traitement du langage naturel, telles que la génération de dialogues et la reconnaissance d'intentions. Dans cet article, nous proposons un réseau neuronal récurrent hiérarchique à double attention pour la classification des DA. Notre modèle s'inspire en partie de l'observation selon laquelle les énoncés conversationnels sont généralement associés à la fois à un DA et à un sujet, où le premier capture l'acte social et le second décrit le thème abordé. Cependant, cette dépendance entre les DA et les sujets n'a pas été exploitée par la plupart des systèmes existants pour la classification des DA. Grâce à un mécanisme d'attention spécifique aux tâches innovant, notre modèle est capable, pour les énoncés, de capturer des informations sur les DA et les sujets, ainsi que sur leurs interactions. Les résultats expérimentaux montrent que, en modélisant le sujet comme une tâche auxiliaire, notre modèle peut améliorer significativement la classification des DA, offrant une performance meilleure ou comparable à celle de la méthode d'avant-garde sur trois jeux de données publics.