L'objectif de cette thèse est le développement d'une méthodologie pour la détection de défauts appliquée aux équipements de production de semi-conducteurs. L'approche proposée repose sur l'Analyse en Composantes Principales (ACP) pour construire un modèle représentatif du fonctionnement nominal d'un équipement. Pour cela, notre méthodologie consiste à exploiter l'ensemble des mesures disponibles, collectées via les capteurs internes et externes au cours desopérations de fabrication pour chaque plaque manufacturée. Nous avons développé un module de pré-traitement permettant de transformer les mesures collectées en données interprétables par l'ACP, tout en filtrant l'information considérée comme non-désirable induite par la présence de valeurs aberrantes et perturbant la construction du modèle. Nous avons combiné des extensions de l'ACP linéaire et notamment l'ACP multiway, l'ACP filtrée ainsi que l'ACP récursive, de façon à adapter la modélisation aux caractéristiques des systèmes. L'utilisation d'un filtre par moyenne mobile exponentielle nous permet de considéré la dynamique du système au cours de la réalisation d'une opération. L'ACP récursive est employée pour adapter le modèle aux changements de comportement du système après certains événements (maintenance, redémarrage, etc.).Les différentes méthodes sont illustrées à l'aide de données réelles, collectées sur un équipement actuellement exploité par STMicroelectronics Rousset. Nous proposons également une application plus générale de la méthode pour différents types d'équipement et sur une période plus importante, de façon à montrer l'intérêt industriel et la performance de cette approche. / This thesis focus on developping a fault detection methodology for semiconductor manufacturing equipment. The proposed approach is based on Principal Components Analysis (PCA) to build a representative model of equipment in adequat operating conditions. Our method exploits collected measurements from equipement sensors, for each processed wafer. However, regarding the industrial context and processes, we have to consider additional problems: collected signals from sensors exhibit different length, or durations. This is a limitation considering PCA. We have also to consider synchronization and alignment problems; semiconductor manufacturing equipment are almost dynamic, with strong temporal correlations between sensor measurements all along processes. To solve the first point, we developped a data preprocessing module to transform raw data from sensors into a convenient dataset for PCA application. The interest is to identify outliers data and products, that can affect PCA modelling. This step is based on expert knowledge, statistical analysis, and Dynamic Time Warping, a well-known algorithm from signal processing. To solve the second point, we propose a combination multiway PCA with the use of an EWMA filter to consider process dynamic. A recursive approach is employed to adapt our PCA model to specific events that can occur on equipment, e.g. maintenance, restart, etc.All the steps of our methodology are illustrated with data from a chemical vapor deposition tool exploited in STMicroelectroics Rousset fab. Finally, the efficiency and industrial interest of the proposed methodologies are verified by considering multiple equipment types on longer operating periods.