Cet article propose une nouvelle architecture de modèle de réseau neuronal quaternionique multicouche à propagation directe (RQN) et vise à élucider clairement ses caractéristiques d'apprentissage. Si les recherches antérieures sur les réseaux neuronaux quaternioniques ont été appliquées à divers domaines, aucune étude n'a porté sur les caractéristiques des réseaux neuronaux quaternioniques multicouche à propagation directe avec pondérations appliquées en sens inverse. Dans cet article, nous étudions les caractéristiques d'apprentissage des RQN sous deux angles : la vitesse d'apprentissage et la généralisation aux rotations. Nous avons ainsi constaté que les RQN ont une vitesse d'apprentissage comparable à celle des modèles existants et peuvent obtenir des représentations de rotation différentes de celles des modèles existants.
