La littérature s'est beaucoup intéressée à l'extraction de règles d'association positives et peu à l'extraction de règles négatives en raison essentiellement du coût de calculs et du nombre prohibitif de règles extraites qui sont pour la plupart redondantes et inintéressantes. Dans cet article, nous nous sommes intéressés aux algorithmes d'extraction de RAPN (Règles d'Association Positives et Négatives) reposant sur l'algorithme fondateur Apriori. Nous avons fait une étude de ceux-ci en mettant en évidence leurs avantages et leurs inconvénients. A l'issue de cette étude, nous avons proposé un nouvel algorithme qui améliore cette extraction au niveau du nombre et de la qualité des règles extraites (recherche de motifs raisonnablement fréquents et utilisation d'une mesure d'intérêt supplémentaire) et au niveau du parcours de recherche des règles (étude de la moitié des règles négatives potentiellement valides et proposition de règles d'élagage). L'étude s'est terminée par une évaluation de cet algorithme sur deux bases de données.