La recherche d'architecture neuronale (Neural Architecture Search, NAS) a démontré un fort potentiel dans la conception automatique d'architectures de réseaux évolutives pour les prédictions d'images denses. Toutefois, les algorithmes NAS existants compromettent généralement leur efficacité en restreignant l'espace de recherche et en effectuant la recherche sur des tâches proxy, afin de respecter les contraintes computationnelles réalistes. Pour permettre une exploration aussi large que possible des architectures de réseaux tout en évitant le décalage entre les jeux de données cibles et les jeux de données proxy, nous proposons un cadre de recherche d'architecture densément connectée, appelé DCNAS (Densely Connected NAS), qui recherche directement les structures optimales de réseau pour les représentations multi-échelles de l'information visuelle, sur un grand jeu de données cible. Plus précisément, en reliant les cellules entre elles à l'aide de poids apprenables, nous introduisons un espace de recherche densément connecté, capable de couvrir une grande variété des architectures de réseau courantes. En outre, en combinant des stratégies d'échantillonnage au niveau des chemins et au niveau des canaux, nous concevons un module de fusion permettant de réduire significativement la consommation mémoire liée à l'abondance de l'espace de recherche. Nous démontrons que l'architecture obtenue via notre algorithme DCNAS atteint des performances de pointe sur plusieurs benchmarks publics de segmentation sémantique d'images, notamment 84,3 % sur Cityscapes et 86,9 % sur PASCAL VOC 2012. De plus, cette architecture maintient des performances supérieures lorsqu'elle est évaluée sur des jeux de données plus exigeants, tels qu'ADE20K et Pascal Context.