Les réseaux sont largement utilisés dans de nombreux domaines scientifiques afin de représenter les intéractions entre objets d'intérêt. Ainsi, en biologie, les réseaux de régulation s'appliquent à décrire les mécanismes de régulation des gènes, à partir de facteurs de transcription, tandis que les réseaux métaboliques permettent de représenter des voies de réactions biochimiques. En sciences sociales, ils sont couramment utilisés pour réprésenter les intéractions entre individus. Dans ce contexte, de nombreuses méthodes non-supervisées de clustering ont été développées afin d'extraire des informations, à partir de la topologie des réseaux. La plupart d'entre elles partitionne les noeuds dans des classes disjointes, en fonction de leurs profils de connection. Récemment, des études ont mis en évidence les limites de ces techniques. En effet, elles ont montré qu'un grand nombre de réseaux contenaient des noeuds connus pour appartenir à plusieurs groupes simultanément. Pour répondre à ce problème, nous proposons l'Overlapping Stochastic Block Model (OSBM). Cette approche autorise les noeuds à appartenir à plus d'une classe et généralise le très connu Stochastic Block Model (SBM), sous certaines hypothèses. Nous montrons que le modèle est identifiable dans des classes d'équivalence et nous proposons un algorithme d'inférence basé sur des techniques variationnelles globales et locales. Finalement, en utilisant des données simulées et réelles, nous comparons nos travaux avec d'autres approches.