Cette thèse porte sur l'Intelligence Artificielle Explicable (XAI) pour le Traitement Automatique du Langage Naturel (TALN), avec pour objectif de rendre intelligibles les prédictions des réseaux de neurones profonds appliqués au texte. Les modèles modernes de TALN atteignent des performances remarquables mais restent largement opaques, ce qui leur vaut la désignation de "boîtes noires". Mon travail explore plusieurs paradigmes d'explication organisés selon trois axes : génération, évaluation et applications pratiques. L'axe de génération examine comment produire des explications de qualité. La méthode TIGTEC génère des explications contrefactuelles satisfaisant plusieurs propriétés souhaitables, comme la parcimonie, la plausibilité et la diversité. La notion d'Importance Contrefactuelle affecte un score d'importance à chaque modification de token pour améliorer leur intelligibilité. CT-CBM transforme quant à elle un classifieur de TALN en un modèle explicable par construction, dont la couche de concepts est générée et ciblée automatiquement. L'axe d'évaluation mesure la qualité des explications selon deux protocoles. CLS-A est une méthode d'attribution pour classifieurs basés sur l'attention, dont l'évaluation humaine montre qu'elle améliore la précision et la rapidité des utilisateurs. NeuroFaith mesure automatiquement la fidélité des explications en langage naturel auto-générées par les grands modèles de langage en les comparant à leur activité interne, et exploite la structure linéaire de cette fidélité pour l'améliorer par intervention sur les activations latentes. L'axe d'application montre enfin comment les méthodes XAI servent des objectifs pratiques au-delà de l'explicabilité. Les méthodes d'attribution et la génération contrefactuelle sont combinées pour détecter et neutraliser les contenus toxiques. Self-AMPLIFY génère automatiquement des justifications post-hoc pour enrichir les prompts d'apprentissage contextuel des petits modèles de langage, améliorant leurs performances sur des tâches complexes de TALN.