Ce présent travail traite le problème d'identification des systèmes non linéaires en se basant sur une approche par logique floue de type Takagi-Sugeno (T-S). La contribution principale de ce travail réside essentiellement dans l'amélioration du comportement de l'algorithme Fuzzy C-Regression Models (FCRM) vis-à-vis de sa sensibilité aux bruits de mesures et à l'initialisation aléatoire. En effet, trois nouvelles versions modifiées de cet algorithme sont présentées. La première est basée sur une modification de la fonction objectif alors que la seconde utilise une nouvelle distance remplaçant celle utilisée dans l'algorithme FCRM. La troisième version est une combinaison de l'algorithme FCRM avec la technique d'optimisation par essaim de particules. Ces algorithmes utilisent la méthode des moindres carrés orthogonaux pour estimer les paramètres conséquents des modèles locaux. D'autres approches ont été développées aussi pour contourner le problème d'initialisation de l'algorithme FCRM combiné avec la méthode des moindres carrés pondérée récursive. Les algorithmes proposés sont simples à mettre en oeuvre, fiables, et s'adressent à de larges classes de systèmes non linéaires.