Le but de ce travail de doctorat est de contribuer à l'optimisation de l'accumulation de lipides par les levures oléagineuses, et plus particulièrement par la levure Yarrowia lipolytica à partir du glucose, avec une stratégie d’optimisation dynamique à partir d’une commande basée sur un modèle. L’étude bibliographique permet de faire le bilan des connaissances antérieures pour identifier les différentes méthodologies existantes pour l’optimisation des procédés en structurant trois parties principales: la modélisation, la commande, et le suivi des procédés. Dans ce contexte, cinq modèles ont été proposés pour décrire l'accumulation de lipides. Le premier est un modèle non structuré basé sur des cinétiques de Monod et d’inhibition. Le deuxième s’appuie sur le modèle de Droop (quota) précédemment utilisé pour décrire l’accumulation de lipides dans les microalgues. Les trois derniers sont des modèles métaboliques dynamiques qui combinent les cinétiques avec un réseau métabolique réduit, obtenu à partir des modes élémentaires. Les cinq modèles ont été calibrés et validés en utilisant plusieurs jeux des données expérimentales. Néanmoins, un des avantages des modèles métaboliques dynamiques présentés est la possibilité de décrire les basculements métaboliques. Deux stratégies de commande multi-objective visant à maximiser la productivité des lipides et la fraction en teneur lipidique ont été proposées. Dans la première, les deux objectifs ont été pondérés par le calcul statique des fronts de Pareto, et intégrés à la stratégie de commande avec un modèle dynamique métabolique. La deuxième stratégie est basée sur des fonctions linéaires par morceaux en intégrant le modèle quota. Les simulations de la commande montrent la possibilité d’atteindre des teneurs en lipides entre 0,21 – 0,26 gLIP.gX-1 et productivités entre 0,78 – 1,02 g.(L-h)-1 en diminuant le temps de la culture à 20 h. Des capteurs logiciels ont été proposés afin de pallier le manque de capteurs en ligne en corrélant des mesures en ligne (i.e. pO2 et la base ajoutée pour le pH) par des algorithmes de types machines à vecteurs supports. La validation expérimentale des stratégies de commande est la principale perspective de ce travail. / This PhD thesis aims at optimizing lipid accumulation by oleaginous yeast, and most particularly by the yeast Yarrowia lipolytica from glucose. This optimization is addressed from a mathemantical point of view based on automatic control laws, where model-based control strategies are proposed. The bibliographic review compiles and evaluates previous works to identify the different existing methodologies to attain the optimization, which is divided in three main axes: modeling, control strategies, and monitoring. In this context, five different models are proposed to describe lipid accumulation. The first model is based on Monod and inhibition kinetics (unstructured), and the second on the Droop quota model (quota) previously used for microalgae. The last three are dynamic metabolic models that combine kinetics with metabolic models based on the stoichiometry of metabolism. These three models used a reduced metabolic network decomposed into elementary flux modes. The five models were successfully calibrated and validated with different experimental data. Nonetheless, the dynamic metabolic models presented highlighting features such as the description of metabolic shifts. Two approaches of multi-objective control strategies aiming at maximizing lipid productivity and lipid content fraction were proposed. In the first, the two objectives were weighted by static calculation of Pareto fronts, and integrated to the control strategy by dynamic optimization algorithms with a dynamic metabolic model. The second strategy used a constant weighed objective function solved by piecewise linear functions by integrating the quota model. The simulation results of the optimization attained lipid contents between 0.21 – 0.26 gLIP.gX-1 and productivities between 0.78 – 1.02 g.(L-h)-1 shortening the culture time to 20 h. Soft-sensors were developed by correlating on-line measurements (i.e. pO2 and the added base for pH) through support vector machines in order to overcome the lack of measurements. The perspective is to experimentally validate the control strategies.