Dans ce travail, nous nous intéressons à la résolution de problèmes d'optimisation combinatoire multi-objectif. Ces problèmes ont suscité un intérêt important au cours des dernières décennies. Afin de résoudre ces problèmes, particulièrement difficiles, de manière exacte et efficace, les algorithmes sont le plus souvent spécifiques au problème traité. Dans cette thèse, nous revenons sur l'approche dite de branch-and-bound et nous en proposons une extension pour obtenir un branch-and-cut, dans un contexte bi-objectif. Les problèmes de sac-à-dos sont utilisés comme support pour ces travaux. Trois axes principaux sont considérés : la définition de nouveaux ensembles bornants, l'élaboration d'une stratégie de branchement dynamique et la génération d'inégalités valides. Les ensembles bornants définis sont basés sur la relaxation surrogate, utilisant un ensemble de multiplicateurs. Des algorithmes sont élaborés, à partir de l'étude des différents multiplicateurs, afin de calculer efficacement les ensembles bornants surrogate. La stratégie de branchement dynamique émerge de la comparaison de différentes stratégies de branchement statiques, issues de la littérature. Elle fait appel à une méthode d'apprentissage par renforcement. Enfin, des inégalités de couverture sont générées et introduites, tout au long de la résolution, dans le but de l'accélérer. Ces différents apports sont validés expérimentalement et l'algorithme de branch-and-cut obtenu présente des résultats encourageants.