L’avènement des aimants permanents et les progrès récents dans l’électronique de puissance ont joué un rôle majeur dans l’évolution de la motorisation électrique des véhicules. Actuellement, les machines synchrones à aimants permanents (MSAP) grâce à leurs performances, et surtout leur efficacité énergétique, sont considérées comme les candidats idéaux pour les chaînes de traction des véhicules hybrides et électriques. Toutefois, en raison du vieillissement des matériaux, des défauts de fabrication ou des conditions de fonctionnement assez sévères, différents types de défauts sont capables de survenir dans les composants de la machine, ses organes de commande ou de mesure. Pour répondre aux exigences de sûreté, de fiabilité et de disponibilité, l’intégration d’une approche de surveillance et de diagnostic de défauts, dans le groupe motopropulseur électrique automobile, devient de plus en plus primordiale. Dans ce contexte, l’objectif de la thèse est de contribuer au diagnostic et à la caractérisation de défauts dans la MSAP par une analyse vibratoire. En premier temps, des approches analytiques de modélisation de la MSAP et des défauts : de court-circuit inter-spires, d’excentricité et de démagnétisation rotoriques serontproposées. L’intérêt majeur de tels modèles, dans le cadre du diagnostic, est d’étudier le comportement de la machine en présence de défauts étudiés afin d’en déduire les méthodes de détection les plus adaptées. En outre, des modèles numériques seront développés afin de les confronter aux parties magnétique et mécanique analytiques de la machine ainsi qu’au défaut de démagnétisation. Dans la phase d’analyse des impacts de défauts, nous allons nous focaliser sur les cas d’excentricité et de démagnétisation rotoriques. Les indicateurs de défauts seront extraits des représentations du signal vibratoire dans le temps et l’espace et de leurs transformées de Fourier, pour les cas de défauts simples et les cas de deux défauts combinés. Pour les cas simples, deux approches de localisation seront proposées : la première utilise le principe de tests statistiques et de tables de signatures, inspirée des méthodes de diagnostic à base de modèles, alors que la deuxième repose sur un banc de trois réseaux de neurones, où chacun est à une entrée et une sortie et destiné à localiser un type de défaut. Enfin, les performances des deux approches, en termes de robustesse et d’adaptabilité, seront comparées pour les mêmes ensembles de seuillage/d’apprentissage et de test. / The advent of new magnetic materials and recent advances in power electronics have played a major role in the progress of hybrid electric vehicles. Nowadays, permanent magnet synchronous machines (PMSM) thanks to their performances, especially their energy efficiency, are considered as ideal candidates for the traction chains of hybrid and electric vehicles. However, due to material aging, manufacturing defects or severe operating conditions, different types of faults are capable to occur in the machine components, its control or measuring devices. In order to ensure safety, reliability and availability, the integration of a fault diagnosis and condition monitoring approach in the automotive electrical powertrain system is becoming more and more important. In this context, the aim of the thesis is to contribute to the diagnosis and characterization of faults in the PMSM based on a vibration analysis. First, analytical modeling approaches for the PMSM and inter-turn short-circuits, eccentricity and rotor demagnetization faults will be proposed. The major interest of such models, in a diagnosis context, is to study the behavior of the machine in the presence of studied faults in order to deduce the most suitable detection methods. In addition, numerical models will be developed in order to validate the analytical magnetic and mechanical parts of the machine as well as the demagnetization fault. In the phase of fault impact analysis, we will focus on the cases of rotor eccentricity and demagnetization. The fault indicators will be extracted from the vibratory signal representations in time and space domains and their Fourier transforms, in the cases of single faults and the cases of two combined faults. For single fault cases, two diagnosis approaches will be proposed: the first uses the principle of statistical tests and fault signature tables, inspired by model-based diagnosis methods, while the second relies on a set of three neural networks, such as each one is with a single input and a single output and dedicated to isolate one type of fault. Finally, the performance of these two approaches, in terms of robustness and adaptability, will be compared for the same training and test sets.