Bien que le merlu de l'Atlantique Nord-Est ait été largement étudié, certaines caractéristiques de sa biologie sont encore assez mal connues. C'est en particulier le cas de ses migrations saisonnières et de sa croissance, dont une campagne récente de marquage montre qu'elle était probablement largement sous-estimée. Ces incertitudes ont plusieurs conséquences tant sur la qualité des diagnostics établis à l'aide des modèles de dynamique des populations usuels, que sur la gestion en limitant notamment les possibilités d'évaluation de mesures de gestions spatialisées. Pour améliorer l'estimation des paramètres de ces processus, nous avons développé un modèle de dynamique de population intégré spatialisé et structuré en longueur reposant sur un modèle d'états décrivant la dynamique de la population et de l'activité de pêche, et sur un modèle décrivant les processus d'observation, permettant l'écriture d'une fonction de vraisemblance. Une revue bibliographique des modèles structurés en longueur existants a mis en évidence le rôle clé de la modélisation du processus de croissance dans ce type de modèles. Pour s'assurer de la robustesse des hypothèses du modèle liées à la discrétisation de ce processus continu et à la variabilité individuelle de croissance, nous avons réalisé une analyse de sensibilité du modèle de croissance. Cette méthode d'exploration numérique du modèle repose sur (i) le développement de plans d'expériences et (ii) l'ajustement de modèles statistiques aux sorties du modèle pour quantifier l'impact de ces hypothèses. Cette démarche générique est transposable à toute analyse de sensibilité d'un modèle discret décrivant un processus continu. Dans notre cas, elle a permis de mettre en évidence que pour le merlu de l'Atlantique Nord-Est il était préférable de choisir un pas de temps trimestriel, des classes de 1 cm, une distribution gamma des incréments de croissance et une distribution uniforme des individus au sein des classes. Au cours du développement du modèle, une attention particulière a été portée à l'écriture de la fonction de vraisemblance afin qu'elle soit robuste et cohérente avec les processus d'observation. Différents algorithmes ont également été testés pour réaliser l'optimisation numérique de cette fonction, le choix se portant finalement vers un algorithme de type quasi-Newton. L'ajustement du modèle de dynamique de population aux observations disponibles a permis l'estimation des taux de migration et du taux de croissance, plus faible que celui estimé à partir des données de marquage. Il a permis également d'établir un diagnostic en terme d'évolution de la biomasse féconde cohérent avec les diagnostics préalablement établis à l'aide du modèle actuel d'évaluation. Cependant, du fait de sa complexité et très certainement de la mauvaise qualité de certaines observations, l'ajustement du modèle est difficile. Le modèle souffre de certains problèmes d'identifiabilité même si les paramètres de migration et de croissance ne semblent pas concernés.