Les algorithmes d'apprentissage artificiel sont utilisés pour de multiples applications de nos jours. Historiquement, ils ont été conçus pour être utilisés dans un environnement non hostile. Depuis deux décennies maintenant, cette hypothèse de non-hostilité a été laissée de côté permettant ainsi de considérer leurs utilisations dans des conditions plus réalistes. Nous proposons dans ce rapport, une étude menée sur une famille d'algorithmes d'apprentissage artificiel : les SVMs. Nous aborderons plus particulièrement l'influence de points d'attaque intelligemment placés dans l'espace de description sur la fonction séparatrice de cet algorithme. Nous nous sommes appuyé sur un article écrit par Biggio et al. pour réaliser cette étude. Ce domaine étant assez nouveau, nous nous sommes concentré sur quelques pistes à étudier comme le passage à l'échelle de données dans l'ensemble d'apprentissage ou la sélection de bons candidats comme point d'attaques.