Depuis 1978, le système ARGOS assure à l’échelle mondiale la collecte de données et la localisation de plateformes pour des applications liées au suivi d’animaux, à l’océanographie et à la sécurité maritime. La localisation exploite le décalage Doppler affectant la fréquence de porteuse des messages émis par les plateformes et réceptionnés par des satellites dédiés. Au cours des vingt dernières années, les puissances d’émission des plateformes se sont réduites pour des conditions d’utilisation toujours plus extrêmes, augmentant le nombre de localisations de moindre qualité. Paradoxalement, les utilisateurs ont cherché à identifier des comportements à des échelles de plus en plus petites. L’objectif de ce projet est de développer un algorithme de localisation plus performant dans le contexte actuel afin de remplacer le traitement temps réel historique basé sur un ajustement par moindres carrés. Un service hors ligne, permettant de déterminer des localisations encore plus précises, est proposé dans un second temps.Le problème est reformulé comme l’estimation de l’état d’un système dynamique stochastique, tenant compte d’un ensemble de modèles de déplacement admissibles pour les plateformes. La détermination exacte de la loi a posteriori de l’état présente alors une complexité exponentiellement croissante avec le temps. Le filtre « Interacting Multiple Model » (IMM) est devenu l’outil standard pour approximer en temps réel la loi a posteriori avec un coût de calcul constant. Pour des applications hors ligne, de nombreuses solutions sous-optimales de lissage multi-modèle ont aussi été proposées. La première contribution méthodologique de ce travail présente l’extension du cadre initial de l’IMM à un ensemble de modèles hétérogènes, c.-à-d. dont les vecteurs d’état sont de tailles et de sémantiques différentes. En outre, nous proposons une nouvelle méthode pour le lissage multi-modèle qui offre une complexité réduite et de meilleures performances que les solutions existantes. L’algorithme de localisation ARGOS a été réécrit en y incorporant le filtre IMM en tant que traitement temps réel et le lisseur multi-modèle comme service hors ligne. Une étude, menée sur un panel de 200 plateformes munies d’un récepteur GPS utilisé comme vérité terrain, montre que ces stratégies améliorent significativement la précision de localisation quand peu de messages sont reçus. En outre, elles délivrent en moyenne 30% de localisations supplémentaires et permettent de caractériser systématiquement l’erreur de positionnement / The ARGOS service was launched in 1978 to serve environmental applications including oceanography, wildlife tracking and maritime safety. The system allows for worldwide positioning and data collection of Platform Terminal Transmitters (PTTs). The positioning is achieved by exploiting the Doppler shift in the carrier frequency of the messages transmitted by the PTTs and recorded by dedicated satellite-borne receivers. Over the last twenty years, the transmission power has decreased significantly and platforms have been used in increasingly harsh environments. This led to deliver a greater number of low quality locations while users sought to identify finer platform behavior. This work first focuses on the implementation of a more efficient location processing to replace the historical real time processing relying on a Least Squares adjustment. Secondly, an offline service to infer locations with even higher accuracy is proposed.The location problem is formulated as the estimation of the state vector of a dynamical system, accounting for a set of admissible movement models of the platform. The exact determination of the state posterior pdf displays a complexity growing exponentially with time. The Interacting Multiple Model (IMM) algorithm has become a standard online approach to derive an approximated solution with a constant computational complexity. For offline applications, many sub-optimal multiple model schemes have also been proposed. Our methodological contributions first focused on extending the framework of the IMM filter so as to handle a bank of models with state vectors of heterogeneous size and meaning. Second, we investigated a new sub-optimal solution for multiple model smoothing which proves to be less computationally expensive and displays markedly better performance than equivalent algorithms. The ARGOS location processing was rewritten to include the IMM filter as real time processing and the IMM smoother as offline service. We eventually analyzed their performances using a large dataset obtained from over 200 mobiles carrying both an ARGOS transmitter and a GPS receiver used as ground truth. The results show that the new approaches significantly improve the positioning accuracy, especially when few messages are received. Moreover, the algorithms deliver 30% more positions and give a systematic estimation of the location error