Les maladies des plantes constituent un problème important dans la production agricole, entraînant des pertes de rendement et des dommages économiques considérables. La détection et la classification automatiques des maladies est une approche prometteuse pour permettre de lutter efficacement contre ce problème. Les progrès récents en matière d'intelligence artificielle (IA), en particulier dans le domaine de l'apprentissage profond (DL), ont démontré un fort potentiel pour l'identification et la classification des maladies des plantes à partir d'images de feuilles. Cependant, les approches traditionnelles d’apprentissage automatique posent des défis majeurs en termes de confidentialité des données, d'évolutivité et de faisabilité dans les contextes agricoles où les données peuvent être sensibles, hétérogènes et dispersées entre plusieurs sources. Pour pallier ces limites, nos travaux étudient l'approche de l'apprentissage fédéré (FL) pour la classification des maladies des plantes, permettant un entraînement collaboratif des modèles sans nécessiter de partage direct des données. Les résultats expérimentaux obtenus sur les ensembles de données PlantVillage nous ont permis de proposer trois contributions, mettant en évidence le potentiel des méthodes proposées pour la construction de modèles précis, évolutifs et préservant la confidentialité dans le domaine agricole.