La reconstruction de génomes à partir de données métagénomiques, aussi appelés MAG) représente une étape majeure dans l’étude des communautés microbiennes. La reconstruction de MAGs souffre néanmoins de limitations, telles que la nature fragmentée de ces MAGs, les difficultés inhérentes à la reconstruction du pangénome, ou la capture des variations entre souches d’une même espèce. Dans cette thèse, le problème du binning a été appréhendé à travers un modèle de clustering suivant le paradigme de la logique déclarative, l’objectif étant de maximiser l’information sur les génomes présents grâce à l’exploration de l’ensemble des solutions de binning possible. Ce modèle de binning incluant métrique compositionnelle, mesure d’abondance et occurrence de gènes marqueurs a été implémenté en langage ASP. Nous nous sommes ensuite concentrés sur l’optimisation du processus d’assemblage, étape préliminaire clé de la classification de contigs, avec pour objectif d’encore améliorer la reconstruction de MAGs. Nous avons développé une approche automatique pour guider le processus de co-assemblage, couplant des distances métagénomiques avec une méthode d’optimisation du clustering. Cette approche a été intégrée dans un nouveau workflow de reconstruction de MAGs, MAGNETO, qui intègre également des stratégies assemblage-binning complémentaires.