Cette thèse traite principalement des théorèmes limites pour les processus empiriques de fonctionnelles de clusters d'extrêmes de séquences et champs aléatoires faiblement dépendants. Des théorèmes limites pour les processus empiriques de fonctionnelles de clusters d'extrême de séries temporelles stationnaires sont donnés par Drees & Rootzén [2010] sous des conditions de régularité absolue (ou "ß-mélange"). Cependant, ces conditions de dépendance de type mélange sont très restrictives : elles sont particulièrement adaptées aux modèles dans la finance et dans l'histoire, et elles sont de plus compliquées à vérifier. Généralement, pour d'autres modèles fréquemment rencontré dans les domaines applicatifs, les conditions de mélange ne sont pas satisfaites. En revanche, les conditions de dépendance faible, selon Doukhan and Louhichi [1999] et Dedecker & Prieur [2004a], sont des conditions qui généralisent les notions de mélange et d'association. Elles sont plus simple à vérifier et peuvent être satisfaites pour de nombreux modèles. Plus précisément, sous des conditions faibles, tous les processus causals ou non causals sont faiblement dépendants: les processus Gaussien, associés, linéaires, ARCH(∞), bilinéaires et notamment Volterra entrent dans cette liste. À partir de ces conditions favorables, nous étendons certains des théorèmes limites de Drees & Rootzén [2010] à processus faiblement dépendants. En outre, comme application des théorèmes précédents, nous montrons la convergence en loi de l'estimateur de l'extremogramme de Davis & Mikosch [2009] et l'estimateur fonctionnel de l'indice extrémal de Drees [2011] sous dépendance faible. Nous démontrons un théorème de la valeur extrême pour les champs aléatoires stationnaires faiblement dépendants et nous proposons, sous les mêmes conditions, un critère du domaine d'attraction d'une loi d'extrêmes. Le document se conclue sur des théorèmes limites pour les processus empiriques de fonctionnelles de clusters d’extrêmes de champs aléatoires stationnaires faiblement dépendants, et met en évidence la convergence en loi de l'estimateur d'un extremogramme de processus spatio-temporels stationnaires faiblement dépendants en tant qu'application. / This thesis deals mainly with limit theorems for empirical processes of extreme cluster functionals of weakly dependent random fields and sequences. Limit theorems for empirical processes of extreme cluster functionals of stationnary time series are given by Drees & Rootzén [2010] under absolute regularity (or "ß-mixing") conditions. However, these dependence conditions of mixing type are very restrictive: on the one hand, they are best suited for models in finance and history, and on the other hand, they are difficult to verify. Generally, for other models common in applications, the mixing conditions are not satisfied. In contrast, weak dependence conditions, as defined by Doukhan & Louhichi [1999] and Dedecker & Prieur [2004a], are dependence conditions which generalises the notions of mixing and association. These are easier to verify and applicable to a wide list of models. More precisely, under weak conditions, all the causal or non-causal processes are weakly dependent: Gaussian, associated, linear, ARCH(∞), bilinear and Volterra processes are some included in this list. Under these conveniences, we expand some of the limit theorems of Drees & Rootzén [2010] to weakly dependent processes. These latter results are used in order to show the convergence in distribution of the extremogram estimator of Davis & Mikosch [2009] and the functional estimator of the extremal index introduced by Drees [2011] under weak dependence. We prove an extreme value theorem for weakly dependent stationary random fields and we propose, under the same conditions, a domain of attraction criteria of a law of extremes. The document ends with limit theorems for the empirical process of extreme cluster functionals of stationary weakly dependent random fields, deriving also the convergence in distribution of the estimator of an extremogram for stationary weakly dependent space-time processes.