Les préoccupations croissantes de ces dernières années concernant le réchauffement climatique obligent l'industrie du transport maritime à réduire son empreinte environnementale, et en particulier le secteur des paquebots de croisière. L'objectif principal de cette thèse est l'exploration et le développement de méthodes de machine learning et recherche opérationnelle afin de fournir des stratégies à même d'améliorer l'efficacité énergétique des paquebots, au niveau des opérations et de la conception. Du point de vue opérationnel, notre recherche est consacrée à l'optimisation du système de propulsion, le plus grand consommateur d'énergie d'un paquebot de croisière. Nos principales contributions dans ce travail sont le développement de stratégies innovantes de machine learning pour modéliser le système de propulsion et une méthodologie systématique pour favoriser des modèles parcimonieux et éviter le risque de sur-apprentissage. Deux applications visant à optimiser l'efficacité de la propulsion sont examinées. La première concerne le développement d'une application de gestion du poids mort des fluides tandis que la deuxième s'intéresse à l'impact de l'encrassement biologique sur l'efficacité de la propulsion. La deuxième partie de la thèse se focalise sur la production d'énergie dans le cadre de la conception des paquebots de croisière. La principale contribution de cette deuxième partie est le développement d'un modèle mathématique (MILP) pour les systèmes multi-énergies des paquebots de croisière, qui optimise simultanément la conception et le fonctionnement du système d'énergie. Une optimisation bi-objectif a ainsi été réalisée en considérant les coûts et les émissions de gaz à effet de serre sur la durée de vie. Les résultats de cette thèse ouvrent la voie à de futures applications du machine learning et de la recherche opérationnelle dans la conception et les opérations de l'industrie des paquebots de croisière.