Les modèles conditionnels du type modèles de Markov d'entropie maximale et champs de Markov conditionnels apportent des réponses aux lacunes des modèles de Markov cachés traditionnellement employés pour la classification et la segmentation de séquences. Ces modèles conditionnels ont été essentiellement utilisés jusqu'à présent dans des tâches d'extraction d'information ou d'étiquetage morphosyntaxique. Cette contribution explore l'emploi de ces modèles pour des données de nature différente, de type « signal », telles que la parole ou l'écriture en ligne. Nous proposons des architectures de modèles adaptées à ces tâches pour lesquelles nous avons dérivé les algorithmes d'inférence et d'apprentissage correspondant. Nous fournissons des résultats expérimentaux pour deux tâches de classification et d'étiquetage de séquences.