Récemment, les réseaux neuronaux optiques (Optical Neural Networks, ONNs) intégrés dans des puces photoniques ont suscité une attention considérable car ils sont censés réaliser les mêmes tâches de reconnaissance de motifs que les plateformes électroniques, mais avec une efficacité accrue et une consommation d'énergie réduite. Cependant, le manque actuel d'algorithmes d'apprentissage variés pour entraîner les ONNs entrave leur développement ultérieur. Dans cet article, nous proposons une nouvelle stratégie d'apprentissage basée sur la neuroévolution pour concevoir et entraîner les ONNs. Deux algorithmes de neuroévolution typiques sont utilisés pour déterminer les hyperparamètres des ONNs et optimiser les poids (décalages de phase) dans les connexions. Afin de démontrer l'efficacité des algorithmes d'entraînement, les ONNs entraînés sont appliqués à des tâches de classification pour l'ensemble de données des plantes d'iris, l'ensemble de données de reconnaissance du vin et la reconnaissance des formats de modulation. Les résultats calculés montrent que les algorithmes d'entraînement basés sur la neuroévolution sont compétitifs par rapport aux autres algorithmes traditionnels d'apprentissage en termes de précision et de stabilité. Comparativement aux travaux précédents, nous introduisons une méthode d'entraînement efficace pour les ONNs et démontrons leurs perspectives d'application largement étendues dans la reconnaissance de motifs, l'apprentissage par renforcement, etc.