Thèse ou mémoire avec insertion d’articles / De nos jours, les industries se concentrent davantage sur le développement de matériaux respectueux de l'environnement pour améliorer la sécurité, réduire le poids, augmenter l'efficacité énergétique et réduire la contamination. La fibre de carbone renforce les plastiques (CFRP) en raison de ses caractéristiques uniques telles qu'un rapport résistance / poids élevé, une bonne résistance à la corrosion et une résistance élevée à la fatigue elle fait partie des matériaux préférables dans l'industrie. En tant qu'outil de contrôle de la qualité et de gestion de l'assurance de la qualité, les Contrôle non destructif (CND) jouent un rôle vital dans des secteurs tels que l'aérospatiale, les pipelines et les ponts, car ils peuvent aider à prévenir les défaillances susceptibles de nuire à la sécurité, à la fiabilité et à l'environnement. La thermographie pulsée active (PT) est une technique de test non destructif pour l'inspection des matériaux et des structures dans la science et l'industrie. Plusieurs algorithmes de traitement ont été développés pour améliorer et valoriser les données thermographiques captées afin de détecter les anomalies et de les caractériser précisément. L'analyse robuste en composantes principales (RPCA) via la décomposition en matrices de faible rang et clairsemées présente un cadre puissant pour de nombreuses applications telles que le traitement d'images, le traitement vidéo et la vision par ordinateur 3D. Le Robust-PCA proposé est une approche de réduction de dimensionnalité et surpasse la méthode PCA. De plus, la matrice de bas rang extraite de Robust-PCA utilisant un multiplicateur de Lagrange augmenté inexact (IALM) réduit le bruit des données brutes. Différentes approches de traitement sont proposées pour détecter et caractériser les irrégularités des structures produites lors de la fabrication et en service. Robust-PCA via IALM peut être utilisé comme pré-traitement et post-traitement sur des approches de pointe (c'est-à-dire PCT, PPT et PLST) pour réduire le bruit sur les données thermographiques. Le contraste au bruit (CNR) et le coefficient de similarité s'améliorent nettement lorsque le RPCA est utilisé comme prétraitement. Cependant, le post-traitement sur la sortie PLST montre une amélioration des résultats finaux. En outre, des modèles d'apprentissage automatique tels que les auto-encodeurs (AE) pour la surveillance de données non linéaires complexes ont été étudiés. L'application d'un auto-encodeur sous-complet avec un accent sur la détection de défauts montre des résultats comparables aux approches traditionnelles, c'est-à-dire PCA. Afin d'augmenter la fiabilité et l'applicabilité de l'Thermographie Infrarouge pour une inspection structurelle efficace, la classification des défauts existants et l'estimation de la profondeur, le bag-of-feature (BoF) a été utilisé. Les résultats ont représenté que la méthode proposée peut avoir une estimation raisonnable des défauts et une classification parmi trois types de trous à fond plat, d'insert en Téflon et d'extraction. / Nowadays, industries are more focused on developing environmentally friendly materials to improve safety, reduce weight, increase fuel efficiency, and lower contamination. Carbon fiber reinforces plastics (CFRP) due to its unique features such as high strength-to-weight ratio, good corrosion resistance, and high fatigue resistance is among the preferable material in the industry. As a quality control and quality assurance management tool, NDT plays a vital role in industries such as aerospace, pipelines, and bridges, as it can help prevent failures that could harm safety, reliability, and the environment. Active pulsed thermography (PT) is a non-destructive testing technique for material and structure inspection in science and industry. Several processing algorithms have been developed to improve and enhance the captured thermographic data to detect anomalies and characterize them precisely. Robust principal component analysis (RPCA) via decomposition into low-rank and sparse matrices present a powerful framework for many applications such as image processing, video processing, and 3-D computer vision. The proposed Robust-PCA is a dimensionality reduction approach and outperforms the PCA method. Moreover, the extracted low-rank matrix from Robust-PCA using inexact augmented Lagrange multiplier (IALM) reduces the noise of raw data. Different processing approaches are proposed to detect and characterize the irregularities in structures produced during manufacturing and in-service. Robust-PCA via IALM can be used as pre-processing and post-processing on state-of-the-art approaches (i.e., PCT, PPT, and PLST) to reduce the noise on thermographic data. The contrast-to-noise ratio (CNR) and similarity coefficient clearly improve when RPCA is employed as pre-processing. However, post-processing on PLST output shows improvement in final results. Furthermore, machine learning models like autoencoders (AEs) for monitoring complex nonlinear data have been investigated. The application of an undercomplete-autoencoder with a focus on fault detection shows comparable results with traditional approaches, i.e., PCA. In order to increase the reliability and applicability of IRT for effective structural inspection, classification of existing defects, and depth estimation, bag-of-feature (BoF) has been utilized. Results have represented that the proposed method can have a reasonable estimation of defects and classification among three types of flat-bottom-hole, Teflon-insert, and pull-out.