La détection d’intention et le remplissage de champs (slot filling) constituent deux tâches fondamentales essentielles dans le traitement du langage naturel. En réalité, une même utterance peut contenir plusieurs intentions. La mise en correspondance de différentes intentions avec les champs associés représente désormais un défi majeur pour les recherches récentes. Les modèles existants abordent ce problème en utilisant des couches neuronales pour capturer de manière adaptative les informations pertinentes relatives à l’intention pour chaque champ ; toutefois, le processus de sélection d’intention reste insuffisamment explicite. Une observation importante révèle une forte cohérence entre les intentions et les thèmes d’une phrase. À cette fin, nous exploitons les informations de thème pour réaliser une détection conjointe d’intention et un remplissage de champs via un mécanisme de fusion de thème, dans lequel les informations de thème au niveau des tokens remplacent les informations d’intention afin de guider la prédiction des champs. Par ailleurs, les informations de thème au niveau de la phrase sont également utilisées pour renforcer la détection d’intention. Les résultats expérimentaux montrent une amélioration significative sur deux jeux de données publics : une amélioration de 4,8 % en précision de phrase sur MixATIS et une augmentation de 0,7 % en détection d’intention sur MixSNIPS.