L’apprentissage profond supervisé a été efficacement appliqué à de nombreux problèmes de reconnaissance en apprentissage automatique et en vision par ordinateur. Bien qu’il puisse approximer très bien une fonction complexe à plusieurs entrées vers une seule sortie lorsque de grandes quantités de données d’entraînement sont disponibles, le manque d’inférence probabiliste dans les méthodes actuelles d’apprentissage profond supervisé rend difficile la modélisation de représentations de sorties structurées complexes. Dans ce travail, nous développons un modèle génératif conditionnel profond évolutif pour des variables de sortie structurées, en utilisant des variables latentes gaussiennes. Le modèle est entraîné de manière efficace dans le cadre de la variational Bayes à gradient stochastique, et permet une prédiction rapide grâce à une inférence en avant stochastique. En outre, nous proposons de nouvelles stratégies pour concevoir des algorithmes robustes de prédiction structurée, telles qu’une architecture de réseau de prédiction récurrente, l’ajout de bruit d’entrée et des méthodes d’entraînement par prédiction multi-échelle. Dans nos expériences, nous démontrons l’efficacité de notre algorithme par rapport aux réseaux neuronaux profonds déterministes, notamment en générant des représentations de sortie diverses mais réalistes grâce à une inférence stochastique. En outre, les stratégies proposées pour l’entraînement et la conception d’architecture s’avèrent complémentaires, permettant d’atteindre des performances fortes en segmentation d’objets au niveau des pixels et en étiquetage sémantique sur les jeux de données Caltech-UCSD Birds 200 et une sous-ensemble du dataset Labeled Faces in the Wild.