Les recherches existantes sur l’apprentissage continu d’une séquence de tâches se sont principalement concentrées sur la gestion du oubli catastrophique, en supposant que les tâches sont dissimilaires et qu’elles partagent peu de connaissances. Certains travaux ont également exploré le transfert des connaissances précédemment acquises vers une nouvelle tâche lorsque celles-ci sont similaires et partagent des connaissances communes. À notre connaissance, aucune technique n’a été proposée pour apprendre une séquence mixte de tâches similaires et dissimilaires, capable à la fois de lutter contre le oubli et de transférer efficacement les connaissances de manière bidirectionnelle. Ce papier présente une telle technique permettant d’apprendre les deux types de tâches au sein du même réseau. Pour les tâches dissimilaires, l’algorithme se concentre sur la prévention du oubli, tandis que pour les tâches similaires, il se focalise sur le transfert sélectif des connaissances acquises à partir de certaines tâches antérieures similaires, afin d’améliorer l’apprentissage de la nouvelle tâche. En outre, l’algorithme détecte automatiquement si une nouvelle tâche est similaire à l’une des tâches précédentes. Une évaluation expérimentale menée sur des séquences mixtes de tâches démontre l’efficacité du modèle proposé.