Les champs de vent en montagne sont extrêmement complexes. De nombreuses interactions entre le vent et la topographie se produisent à des échelles non résolues par les modèles de prévision numérique du temps. Des estimations fiables du vent à hautes résolutions spatio-temporelle sont essentielles pour de nombreuses applications, y compris pour la production d’énergie éolienne. Cette étude présente une nouvelle technique d’augmentation de la résolution et de la précision des champs de vent des modèles météorologiques, en tenant compte de la topographie à plus petite échelle. Cette technique utilise des réseaux de neurones, entrainés sur des données de vent de stations de mesure situées dans les Alpes suisses. Un ensemble de descripteurs topographiques a été produit à partir d’un modèle numérique d’altitude à haute résolution. Un nouveau descripteur a été développé pour tenir compte des effets de canalisation du vent. Différentes architectures de réseaux de neurones, combinant les données de modèles de prévision numérique et les descripteurs topographiques, ont été étudiées et comparées. Le modèle le plus performant a augmenté de 29% la corrélation de la vitesse du vent aux stations de validation, par rapport aux valeurs des points de grille les plus proches de la PNT. La direction du vent a également été améliorée, avec une erreur absolue moyenne réduite de 15%. Les cartes de vent produites à haute résolution indiquent que les descripteurs liés à la topographie ont bien été intégrés par les réseaux de neurones.