Cette thèse est le fruit d’une collaboration entre les laboratoires LIRIS et LARIS et l’entreprise Carbon Bee, un acteur français des technologies numériques pour l’agriculture. Carbon Bee développe une caméra couplée à un algorithme d’apprentissage profond à des fins de pulvérisation ciblée de produits phytosanitaires. Sont regroupés dans cette caméra plusieurs capteurs permettant de réaliser des acquisitions dans différentes gammes de longueurs d’onde. Nous y trouvons en particulier un capteur infrarouge ainsi qu’un capteur hyperspectral instantané peu étudié jusqu’alors : le spectromètre imageur par tomographie (Computed Tomography Imaging Spectrometer en anglais, ou CTIS). Ce capteur permet une acquisition rapide d’une information spectrale riche mais qu’il est nécessaire de post-traiter par un algorithme de reconstruction pour la rendre interprétable par l’oeil humain. Dans ce travail, nous nous sommes intéressés à l’exploitation optimale des différents capteurs de cette caméra, pour un cas d’étude à fort intérêt agronomique : la détection de la tavelure du pommier. Nous nous sommes tout d’abord concentrés sur l’exploitation du signal produit par le CTIS, dans un cadre de classification d’images de feuilles saines et atteintes de lésions de tavelure. Nous avons développé une approche qui permet de s’affranchir de l’étape de reconstruction en conduisant un apprentissage directement dans l’espace brut des images CTIS, une démarche dite d’apprentissage comprimé. La conception d’une nouvelle architecture neuronale a permis d’obtenir des performances d’apprentissage supérieures à celles permises par la procédure classique, et ce en réduisant substantiellement les temps de calcul associés. Ces recherches ont par ailleurs mené au développement de plusieurs nouveaux simulateurs d’images permettant de pallier le manque d’images réelles annotées, une difficulté prégnante dans le domaine de l’apprentissage profond, et en particulier lors de l’étude de nouveaux systèmes d’imagerie. Les travaux portant sur le CTIS ayant été menés à l’échelle de la feuille de pommier individuelle, nous nous sommes par la suite focalisés sur un contexte plus exigeant, proche des situations industrielles rencontrées par Carbon Bee. Nous avons cherché à optimiser des détections de lésions de tavelure menées au niveau du pixel dans des images infrarouges représentant des canopées de feuilles, et ce avec un nombre restreint de données annotées. À cette fin, nous avons développé plusieurs simulateurs d’images inspirés des derniers développements dans lamatière en sciences végétales. Nous avons en particulier conçu un simulateur de canopées dont les images ont permis de substantiellement réduire la quantité de données réelles annotées nécessaire pour mener à bien une segmentation dans ce contexte. Enfin, la présence au sein de la caméra de plusieurs capteurs aux résolutions spatiales et spectrales différentes ouvrait la voie à l’utilisation conjointe des informations qu’ils fournissaient, un procédé connu sous le nom de fusion de données. Nous avons exploré plusieurs pistes de travail dans ce cadre.