Les accidents de la route sont l’un des problèmes majeurs auxquels sont confrontés les pays du monde entier. Les dommages qu’ils causent vont des blessures graves, des pertes économiques considérables à la mort, aux individus, à leurs familles et aux nations dans leur ensemble. Selon certaines statistiques, 1,3 million de personnes meurent chaque année des suites d’accidents de la route dans le monde, ce qui signifie que presque toutes les 25 secondes, une personne perd la vie. Bien qu’alarmants, ils devraient augmenter de 65 % et deviendront la cinquième cause de décès dans la décennie à venir. Il ressort de certaines statistiques que les erreurs humaines sont la principale cause des accidents de la route. Et si les conducteurs sont avertis en une demi-seconde (0,5 seconde) à temps et sont conscients des zones sujettes aux accidents, 60% de ces accidents de la route peuvent être évités. Dans ce contexte et pour pallier cette situation, un type particulier de réseaux appelés Vehicular Adhoc NETworks (VANETs) a vu le jour. L’objectif principal de ces réseaux est de diminuer le taux d’accidents sur la route et également d’assurer le confort des passagers. Dans les VANET, les véhicules communiquent entre eux et également avec l’infrastructure se trouvant le long de la route appelée RoadSide Unit (RSU). Dans ces scénarios de communication, différents types de données sont échangées entre les nœuds participants, allant des messages de sécurité routière à la gestion du trafic en passant par l’infodivertissement. Sur la base de la situation alarmante présentée ci-dessus, les applications de sécurité deviennent l’un des centres d’intérêt des acteurs majeurs dans ce domaine, des industries des constructeurs automobiles aux organisations gouvernementales en passant par les chercheurs, de nos jours. Dans cette thèse, nous nous intéressons particulièrement au niveau des applications de sécurité qui sont conçues pour fournir une assistance aux conducteurs dans des situations dangereuses et pour éviter les accidents. Nous présentons d’abord un aperçu des différentes fonctionnalités et caractéristiques des réseaux ad hoc véhiculaires (VANET). Nous présentons ensuite les projets les plus prometteurs et les plus importants entrepris dans le monde sur les VANET. Nous présentons également l’état des activités de normalisation dans le monde entier. En plus de cela, nous passons en revue l’état de l’art. Ensuite, nous décrivons et présentons la prédiction du positionnement du véhicule et la prédiction du succès de la trans- mission à l’aide des algorithmes d’apprentissage automatique (ML) dans les VANETs. De plus, nous étudions la prévision des accidents de la route à l’aide de ML dans les VANETs. Nous adoptons un modèle dans lequel nous présentons un modèle de prédiction qui combine deux approches. L’approche hybride proposée intègre les avantages des modèles génératifs (GMM) et discriminants (SVC). Par rapport au modèle statistique de base (GMM), notre modèle a obtenu jusqu’à 24% de précision. Nous proposons enfin un modèle de correspondance de contenu plus large de chaı̂nes de confiance et de filtrage basé sur la blockchain pour les véhicules connectés, où un contenu et des en-têtes de sujet sont d’abord mis en correspondance, puis le résultat est consolidé par un mécanisme de vote par consensus de blockchain distribué pour toute décision prise concernant l’évaluation de la confiance.