Dans cette thèse, plusieurs approches de modélisation de composites renforcés par des fibres sont proposées. Le matériau étudié est le béton fibré, et dans ce modèle, on tient compte de l’influence de trois constituants : le béton, les fibres, et la liaison entre eux. Le comportement du béton est analysé avec un modèle d’endommagement, les fibres d'acier sont considérées comme élastiques linéaires, et le comportement sur l'interface est décrit avec une loi de glissement avec l’extraction complète de la fibre. Une approche multi-échelle pour coupler tous les constituants est proposée, dans laquelle le calcul à l'échelle macro est effectué en utilisant la procédure de solution operator-split. Cette approche partitionnée divise le calcul en deux phases, globale et locale, dans lesquelles différents mécanismes de rupture sont traités séparément, ce qui est conforme au comportement du composite observé expérimentalement. L'identification des paramètres est effectuée en minimisant l'erreur entre les valeurs calculées et mesurées. Les modèles proposés sont validés par des exemples numériques. / In this thesis, several approaches for modeling fiber-reinforced composites are proposed. The material under consideration is fiber-reinforced concrete, which is composed of a few constituents: concrete, short steel fibers, and the interface between them. The behavior of concrete is described by a damage model with localized failure, fibers are taken to be linear elastic, and the behavior of the interface is modeled with a bond-slip pull-out law. A multi-scale approach for coupling all the constituents is proposed, where the macro-scale computation is carried out using the operator-split solution procedure. This partitioned approach divides the computation in two phases, global and local, where different failure mechanisms are treated separately, which is in accordance with the experimentally observed composite behavior. An inverse model for fiber-reinforced concrete is presented, where the stochastic caracterization of the fibers is known from their distribution inside the domain. Parameter identification is performed by minimizing the error between the computed and measured values. The proposed models are validated through numerical examples.