Cette th`ese traite de la mod´elisation et de l’estimation de mod`eles de m´elanges d’experts de grande dimension, en vue d’efficaces estimation de densit´e, pr´ediction et classification de telles donn´ees complexes car h´et´erog`enes et de grande dimension. Nous proposons de nouvelles strat´egies bas´ees sur l’estimation par maximum de vraisemblance r´egularis´e des mod`eles pour pallier aux limites des m´ethodes standards, y compris l’EMV avec les algorithmes d’esp´erance-maximisation (EM), et pour effectuer simultan´ement la s´election des variables pertinentes afin d’encourager des solutions parcimonieuses dans un contexte haute dimension. Nous introduisons d’abord une m´ethode d’estimation r´egularis´ee des param`etres et de s´election de variables d’un m´elange d’experts, bas´ee sur des r´egularisations ℓ1 (lasso) et le cadre de l’algorithme EM, pour la r´egression et la classification adapt´es aux contextes de la grande dimension. Ensuite, nous ´etendons la strat´egie un m´elange r´egularis´e de mod`eles d’experts pour les donn´ees discr`etes, y compris pour la classification. Nous d´eveloppons des algorithmes efficaces pour maximiser la fonction de log-vraisemblance ℓ1-p´enalis´ee des donn´ees observ´ees. Nos strat´egies propos´ees jouissent de la maximisation monotone efficace du crit`ere optimis´e, et contrairement aux approches pr´ec´edentes, ne s’appuient pas sur des approximations des fonctions de p´enalit´e, ´evitent l’inversion de matrices et exploitent l’efficacit´e de l’algorithme de mont´ee de coordonn´ees, particuli`erement dans l’approche proximale par mont´ee de coordonn´ees.