Le bruit, en particulier celui dû au trafic routier, est cité par de nombreuses études comme une source de préoccupation sociétale majeure. Jusqu'à présent les réponses des pouvoirs publics ne se basent que sur une quantification énergétique de l'exposition sonore, souvent via la mesure ou l'estimation du LA ou du Lden, et des prises de décisions relatives à la diminution du niveau sonore. Or des études psychoacoustiques ont montré que le niveau sonore n'expliquait qu'une faible part de la gêne sonore ressentie. Il est donc intéressant d'avoir plus d'information sur la source de bruit et de ne pas la réduire à un simple niveau sonore. Dans cette thèse, nous proposons de concevoir un outil permettant d'estimer la gêne sonore associée à chaque véhicule du trafic routier via l'utilisation de son signal audio et de modèles de gêne sonore. Pour ce faire, le signal audio du véhicule est isolé de l'ensemble du trafic routier urbain grâce à l'utilisation de méthodes inverses et de grands réseaux de microphones ainsi que du traitement d'images pour obtenir sa trajectoire. Grâce à la connaissance de la trajectoire ainsi que du signal, le véhicule est classifié par une méthode de machine learning suivant la taxonomie de Morel et al. Une fois sa catégorie obtenue, la gêne spécifique du véhicule est estimée grâce à un modèle de gêne sonore utilisant des indices psychoacoustiques et énergétiques. Cela permet l'estimation des gênes sonores spécifiques à chaque véhicule au sein du trafic routier. L'application de cette méthode est faite lors d'une journée de mesure sur une grande artère parisienne. / Noise, especially road traffic noise, is cited by many studies as a source of major societal concern. So far, public responses are based only on energy quantification of sound exposure, often by measuring or estimating LA or Lden, and sound-level reduction related decision are taken. Nevertheless, psychoacoustic studies have shown that the sound level explains only a small part of the perceived noise annoyance. It is interesting to have more information about the source of noise and not to reduce the information to its sound level. In this thesis a tool is proposed for estimating the noise annoyance induced by each road vehicle using its audio signal and noise annoyance models. To do so, the audio signal of the vehicle is isolated by using inverse methods, large microphones arrays and image processing to obtain its trajectory. The knowledge of the trajectory and of the signal allows the vehicle to be classified by a machine learning method according to Morel et al. taxonomy. Once its category obtained, the specific annoyance of the vehicle is estimated thanks to a noise annoyance model using psychoacoustic and energetic indices. This allows the estimation of specific noise annoyance for each vehicle within the road traffic. The application of this method is made during a measurement day on a large Parisian artery.