Les hydrolysats protéiques ont une haute valeur ajoutée pour des secteurs industriels variés, de par leurs propriétés nutritives, fonctionnelles et / ou nutraceutiques. Pour améliorer les propriétés des hydrolysats, l’ultrafiltration est utilisée. Cependant, le manque d’outils de modélisation lié à la complexité des mélanges est un verrou pour une mise en œuvre rationnelle du procédé. Ces travaux ont permis de valider une stratégie de prédiction basée sur des caractéristiques classiques des hydrolysats et un étalonnage expérimental de la membrane d’ultrafiltration. Cette méthode permet de prédire les rendements et enrichissements en fraction(s) ou peptide(s) cible(s), ainsi que la productivité du procédé. Le modèle global de prédiction de l’ultrafiltration obtenu est alors utilisé afin d’optimiser la mise en œuvre de ce procédé. La démarche d’optimisation consiste à maximiser l’enrichissement de fractions ou de peptides cibles en minimisant la consommation d’eau et la durée du procédé / Protein hydrolysates are high added value mixtures for various industrial areas, thanks to their nutritive, functional or nutraceutical properties. To enhance hydrolysates performances, fractionation processes such as ultrafiltration are used. However, the lack of tools to predict ultrafiltration performances is a major bottleneck for a rational implementation of the process. This research thesis work enables to validate a prediction strategy based on classical characteristics of hydrolysates and an experimental calibration of the membrane. Yields and enrichment factors in targeted peptides or fractions during ultrafiltration as well as the productivity of the process can be predicted. This global methodology of performances prediction is then used to optimize the implementation modes of ultrafiltration. The multiobjective optimization approach consists in maximizing the enrichment in targeted peptides or fractions while water consumption and / or process duration is minimized