Le Deep Learning applique´ a la vision par ordinateur s’est r ` ev´ el´ e capable d’extraire de nombreux types ´ d’informations semantiques. De la classification ´ a la localisation, ou ` a la segmentation s ` emantique au ´ niveau du pixel, ces nouveaux algorithmes ont amelior ´ e l’ ´ etat de l’art de nombreuses t ´ aches et de nom- ˆ breux domaines. L’entreprise dans laquelle je travaille fournit des plates-formes de streaming video´ a de nombreux clients. L’un d’entre eux souhaite concurrencer d’autres acteurs qui ont investi dans ` l’apprentissage profond afin d’ameliorer leur exp ´ erience utilisateur. Notre objectif est d’extraire des in- ´ formations semantiques qui n’ ´ etaient pas accessibles auparavant afin de faire de meilleures suggestions ´ personnalisees, de mettre l’accent sur le contenu de haute qualit ´ e et de proposer de nouvelles fonction- ´ nalites de navigation et d’exploration du contenu. Ainsi, dans ce travail, nous explorons des t ´ aches ˆ telles que l’identification de visage, la reconnaissance d’activite et les syst ´ emes de recommandation en ` mettant l’accent sur la latence et la capacite de d ´ eploiement ´ a grande ` echelle. Nos contributions ont ´ et´ e r ´ ealis ´ ees en d ´ eveloppant trois jeux de donn ´ ees ´ a partir de notre contenu industriel. La premi ` ere est ` une etude sur l’augmentation des donn ´ ees et les mod ´ eles pr ` e-entra ´ ˆınes pour entra ´ ˆıner un classificateur a partir d’un ensemble de donn ` ees d’activit ´ e pour notre domaine de donn ´ ees. Notre deuxi ´ eme contribu- ` tion est une etude sur l’apprentissage de classifieurs en pr ´ esence de bruit d’ ´ etiquettes. Les contributions ´ suivantes portent sur la reconnaissance des visages. Nous proposons une nouvelle fonction de perte, le Threshold-Softmax, visant a apprendre ` a partir d’ ` echantillons n ´ egatifs, c’est- ´ a-dire des visages dont ` l’identite n’est pas celle d’une des autres classes. Nous revenons de l’apprentissage m ´ etrique aux clas- ´ sificateurs standards et explorons quatre fonctions de perte pour exploiter davantage l’apprentissage negatif, en utilisant un jeu de donn ´ ees de visages ´ etiquet ´ es avec leur identit ´ e, de personnes c ´ el´ ebres ` dans le domaine de notre client. Nous proposons egalement un mod ´ ele d’ ` echange de visages bas ´ e sur ´ le Vector-Quantized Variational Auto-Encoder (VQVAE), ainsi qu’un nouvel algorithme pour ameliorer ´ l’algorithme de quantification vectorielle. Enfin, nous utilisons l’historique de navigation des utilisateurs premium afin d’apprendre un systeme de recommandation bas ` e sur les m ´ etadonn ´ ees, visant ´ a` attenuer le probl ´ eme du d ` emarrage ´ a froid pour les utilisateurs et les vid ` eos.