La mobilité joue un rôle clé dans les paysages urbains, en particulier, les transports en commun sont essentiels au bon fonctionnement des villes. Par conséquent, il est nécessaire de planifier les systèmes de transport en commun afin de leur garantir un fonctionnement efficace. Pour cela, il est important d'avoir une bonne connaissance de la demande de transport en commun, d'autant plus dans un monde en constante évolution.Actuellement, nous observons une forte croissance démographique mondiale ainsi qu'un important étalement urbain, deux facteurs qui sont les principales causes de l'augmentation de la demande de transport urbain. À cela il faut ajouter une forte tendance à la diversification des comportements de mobilité, principalement due à l'émergence de nouveaux modes de transport. Les données traditionnellement utilisées pour prévoir cette demande, et pour la planification des transports de manière générale, ne sont plus à même de refléter ces changements dans les comportements de mobilité. Le développement des technologies de l'information, la digitalisation et le boom de la science des données sont autant de nouvelles opportunités pour la prévision de la demande de transport. Le développement de nouveaux outils et algorithmes, notamment issus de l'intelligence artificielle, contribuent à la diversification et participent à complexifier les modèles pour améliorer la prévision des comportements de mobilité. En parallèle, nous observons également une grande diversification des données utilisées dans la recherche en transport. Parmi ces nouvelles sources de données, les données Wi-Fi sont très prometteuses. Ces données présentent des avantages significatifs lorsqu'elles sont utilisées pour la planification des transports (collectées en continue, de manière passive, elles apportent des informations sur les trajets Origine-Destination…). Cependant, les données Wi-Fi présentent aussi quelques inconvénients. Ainsi elles doivent être traitées avant d'être utilisées dans des modèles de prévision de la demande. En tant que nouvelle méthode de collecte de données sur la mobilité, des questions subsistent quant à la qualité des données, à leur contribution dans le domaine et à la manière dont elles peuvent être utilisées.L'objectif de cette thèse est de fournir une approche clé en main de l'utilisation des données Wi-Fi pour la connaissance des comportements de mobilité. Dans cette thèse, nous proposons donc des solutions pour traiter ces données au fort potentiel. Nous présentons tout d'abord une méthodologie pour filtrer les signaux parasites détectés par les capteurs Wi-Fi de manière à ne construire la matrice Origine-Destination qu'avec les signaux provenant de passagers. Le redressement des données Wi-Fi pour pallier aux erreurs de prédiction des volumes de passagers du fait de signaux non détectés est également traité. Au final, ces méthodes permettent d'obtenir des matrices Origine-Destination à la fois pertinentes pour la structure des déplacements et complètes dans les volumes de déplacements. Dans cette thèse, nous proposons également un modèle pour quantifier l'erreur entre la matrice Origine-Destination produite par les données Wi-Fi et les déplacements Origine-Destination réels, malgré la rare disponibilité de ces derniers. Quelques applications pour l'utilisation des données Wi-Fi sont également présentées. Pour conclure, les résultats de cette thèse montrent que les données Wi-Fi peuvent enrichir la connaissance des comportements de mobilité, de manière continue et à faible coût.