Le contexte agricole actuel vise à réduire l’utilisation des produits phytosanitaires sur les parcelles. Dans ce cadre, la gestion des adventices consommant de grandes quantités d’herbicides est devenue une problématique majeure. Afin de mettre en place un outil de gestion localisée des adventices par drone, cette thèse étudie l’adaptation du système d’acquisition (drone + dispositif multispectral) actuellement proposé par AIRINOV à la détection des adventices sur des cultures sarclées. La chaîne d’acquisition a été modélisée afin d’évaluer l’impact de différents paramètres du modèle (filtres optiques et résolution spatiale) sur la qualité de la détection des adventices. Des orthophotographies et images ortho-rectifiées ont été acquises à l’aide d’un capteur multispectral (4 et 8 filtres) à des résolutions spatiales de 6 mm et 6 cm. Plusieurs méthodes de localisation des adventices adaptées à l’étude de ces images ont été développées. Elles reposent sur 1) l’analyse de la distribution spatiale de la végétation (détection de rang par la transformée de Hough et analyse de forme), 2) la classification spectrale des pixels (méthodes supervisées : LDA, QDA, distance de Mahalanobis, SVM). Enfin, une classification spectrale basée sur un apprentissage issu des informations spatiales été proposée, améliorant ainsi la détection des adventices.Des cartes d’infestation des parcelles et de préconisation en pulvérisation localisée ont alors été créées. / The agricultural framework aims to reduce pesticide use on fields. Weed management, which is highly herbicide consuming, became a great issue. In order to develop a weed management service using UAV, this PhD dissertation studies how to adapt the acquisition system (UAV + multispectral camera) developed by AIRINOV to detect weeds in row crops. The acquisition chain was modeled to assess some of its parameters (optical filters and spatial resolution) impact on weed detection quality. Orthoimages and orthorectified images were created using a multispectral camera (4 to 8 filters) with 6 mm to 6 cm spatial resolutions. Several weed location methods were specifically developed to study multispectral images acquired by UAV. They are based on 1) the analysis of vegetation spatial distribution (row detection using the Hough transform and shape analysis), 2) spectral classification of pixels (supervised methods: LDA, QDA, Mahalanobis distance, SVM). In order to improve weed detection, a spectral classification based on training data deduced from spatial analysis was then proposed.Weed infestation maps and recommendation for spot spraying applications were then produced.