Dans cet article, nous proposons une approche permettant la résolution du problème de pré-image rencontré en reconnaissance de formes et apprentissage statistique notamment les méthodes à noyaux. Pour cela, nous proposons d'utiliser les récents modèles génératifs appelés Normalizing Flows (NF) qui permettent de construire une distribution simple à partir d'une distribution complexe par une série de fonctions bijectives, bénéficiant ainsi d'une efficace génération de données grâce à son inversibilité. Nous proposons d'aligner l'espace généré par le NF sur l'espace de noyau, ce qui permet de résoudre le problème de pré-image grâce à la nature inversible du NF. Les performances de la méthode proposée sont validées sur le jeu de données MNIST, démontrant la capacité des NF à résoudre efficacement le problème de pré-image.