La détection d'anomalies est un problème en plein essor et qui revêt une importance dans plusieurs domaines. A titre d'exemple, la cybercriminalité peut provoquer des pertes économiques considérables et menacer la survie des entreprises. Sécuriser son système d'information est devenu une priorité et un enjeu stratégique pour tous les types d'entreprises. D'autres domaines sont également impactés tels que la santé, les transports, etc. Les solutions de supervision mises en place sont souvent basées sur des algorithmes de détection d'anomalies issus du datamining et du machine learning. Nous présentons dans ce papier un état de l'art complet sur les algorithmes de détection d'anomalies. Nous proposons une classification de ces méthodes en se basant à la fois sur le type de jeux de données (flux, séries temporelles, graphes, etc.), le domaine d'application et l'approche considérée (statistique, classification, clustering, etc.). Nous nous focalisons ensuite sur trois algorithmes : LOF, OC-SVM et Isolation Forest que nous testons sur deux jeux de données différents afin de comparer leurs performances.