Ces dernières années, l'intelligence artificielle (IA), notamment au travers du développement des méthodes d'apprentissage profond, a permis de considérablement améliorer la résolution de nombreuses tâches, en particulier en application à des problématiques de vision par ordinateur. Ceci a été possible principalement grâce à l'augmentation de la puissance des ordinateurs, et l'accès à de grandes bases de données. L'application des méthodes ainsi développées à un contexte industriel, comme celui du contrôle non destructif, apporte de nouvelles problématiques liées à la difficulté et au coût d'obtention de bases de données de taille suffisante, ainsi qu'à une annotation fiable et précise de celles-ci. La simulation de méthodes d'acquisition et de la physique qui y est associée, permise par des logiciels de simulation tels que CIVA, nous permet de pallier à ce manque de données. Nous proposons ici de présenter des développements effectués dans un cadre de contrôle non destructif par rayons X (RX), en radiographie et tomographie, à travers trois applications. Une première application concerne la détection de défauts sur des radiographies d'objets obtenus par coulage par méthode supervisée. Par ailleurs, la possibilité de correction d'artefacts en tomographie est envisagée. La correction du rayonnement diffusé sur les images de radiographies permet notamment d'améliorer la qualité de la reconstruction tomographique correspondante. Enfin, dans un objectif de mise en place de contrôles tomographiques sur ligne de production, des approches IA sont couplées aux algorithmes de reconstruction pour assurer une bonne qualité d'image reconstruite dans une configuration à faible nombre de projections. Nous présentons ici une méthode de pré-traitement, qui permet de compléter les mesures radiographiques, ainsi qu'une méthode de post-traitement, qui réduit les artefacts de reconstruction liés au manque de vues.