Dans cet article nous présentons une étude compa- rative de deux types d’architecture de réseaux pro- fonds (Réseaux convolutionnels et RNNs, plus par- ticulièrement, LSTM). Ensuite, nous proposons un modèle qui combine ces deux architectures : celle de CNNs qui sont hiérarchiques et sont adaptés à la détection des corrélations de voisinage, et celle de RNNs qui sont séquentiels et adaptés aux informa- tions contextuelles à longue distance. Les CNNs et RNNs fournissent des informations complémentaires en classification de texte[VAGS16]. Nous souhaitons étudier cette complémentarité en l’appliquant à la problématique de classification d’opinions et de sen- timents, et plus particulièrement à la détection de la polarité. Le corpus utilisé est en français mais les modèles sont également testés sur les données ouvertes IMDB [MDP+ 11]. Les résultats sont satisfaisants et l’expérience montre que le choix d’hyperparamètres est plus important que la profondeur des couches.