La littérature s'est beaucoup intéressée à l'extraction de règles d'as-sociation positives et peu à l'extraction de règles négatives en raison essentielle-ment 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 Posi-tives et Négatives) reposant sur l'algorithme fondateur Apriori. Nous avons fait une étude de ceux-ci en mettant en évidence leurs avantages et leurs incon-vénients. 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'in-térêt 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.