Nous allons présenter dans cet article un algorithme de classification du type auto-apprentissage qui peut traiter des données multidimensionnelles continues à l'intérieur du cube unitaire: CLRO. La première partie traite de divers concepts généraux régissant, à notre avis, les algorithmes d'auto-apprentissage. Dans une deuxième partie nous supposerons que les données ne peuvent prendre que les deux seules valeurs 0 ou 1; ceci nous permettra d'établir une estimation récursive d'une loi de probabilité répresentée de façon exponentielle ayant un forme particulièrment simple. Nous généraliserons ensuite au cas des données réelles comprises entre 0 et 1. On montre que, moyennant certaines hypothèses simplificatrices que l'on justifie, l'algorithme conserve sa forme simple. La troisième partie traite, sous le schéma général, le cas de la classification automatique de points dans l'espace RN, considérés munis de mesures gausiennes. L'algorithme est développé avec le souci de la simplicité des calculs en vue de son utilisation en ligne de façon récursive. Il procède a l'estimation de la moyenne et de la covariance des classes au fur et à la mesure qu'elles sont crées et modifiées selon les principes décrits pour l'auto-apprentissage. Nous donnons un example d'application à la reconaissance d'objects en Robotique.In this paper we present two algorithms, based on a self learning process, for the sequential classification of multidimensional data. In the first part we discuss the general aspects of sequential learning algorithms. In the second part we describe an algorithm for the sequential classification of data in the unit cube I^n, i.c. data whose values are between 0 and 1. In the third part we describe another algorithm to classify gaussian data in R^n. Finally, we discuss an application of these algorithms to the problem of object recognition in robotics, and we compare the results and the computation time obtained with both algorithms.