Le thème principal de cette thèse est l'analyse de données du fond diffus cosmologique (CMB). En particulier, je présente une méthode, Bayesian Independent Analysis (BICA), qui effectue à la fois la séparation des composants et l'inférence du spectre de puissance du CMB. Je commence par présenter les principes de base du CMB et souligne la nécessité d'une modélisation robuste des erreurs au niveau de la carte. Puis je présente la principale source d'erreurs dans les produits du CMB, à savoir les avant-plans. La séparation des composants est une étape cruciale dans l'analyse de données de CMB. Je passe en revue plusieurs méthodes visant à nettoyer le CMB des avant-plans. Puis je présente BICA. La méthode est formulée dans le cadre bayésien aveugle. Il en résulte une inférence jointe de la carte de CMB et de son spectre de puissance. Ainsi, les erreurs sur la reconstruction comprennent les incertitudes dues à la présence d'avant-plans dans les données. En considérant des choix particuliers de prior et d'échantillonnage, je montre comment la formulation bayésienne de séparation des composantes fournit un cadre unificateur dont les méthodes précédentes sont des cas particuliers. Je présente les résultats de BICA lorsqu'elle est appliquée sur des données simulées et les données Planck. Cette méthode est capable de reconstruire la carte du CMB et son spectre sur une large fraction du ciel. Les principales contributions de cette thèse sont : 1) un spectre de puissance du CMB dont les erreurs prennent en compte la présence d'avant-plans mais sans modèle physique, 2) une carte CMB avec un modèle d'erreur incluant à la fois le bruit et avant-plans. / The main topic of this thesis is the analysis of Cosmic Microwave Background (CMB) data. In particular, I present a method, Bayesian Independent component analysis (BICA), that performs both CMB component separation and CMB power spectrum inference.I begin by presenting the basics of our understanding of the CMB emission and highlight the need for a robust error modelling at the map level. Then I present the main source of errors in the CMB products, namely the foregrounds.Component separation is a crucial and delicate step in CMB data analysis. I review several methods aiming at cleaning the CMB from foregroundsThen I present BICA. The method is formulated in a blind Bayesian framework. The posterior distribution provides an inference of the CMB map and power spectrum from the observation maps. Thus, the errors on the reconstruction include the uncertainties due the presence of foregrounds in the data. By considering particular choices of prior and sampling scheme, I show how the Bayesian formulation of component separation provide a unifying framework of which previous methods are special cases.I present the results of BICA when applied on both simulated data and 2013 Planck data. This method is able to reconstruct the CMB map and power spectrum on a large fraction of the sky. The main contributions of this thesis is to provide: 1) a CMB power spectrum on a large multipole range whose errors take the presence of foregrounds into account but without assuming physical models, 2) a CMB map inference together with an error model including both noise and foregrounds residuals.

Au cours de la dernière décennie, l’étude mathématique et statistique des représentations parcimonieuses de signaux et de leurs applications en traitement du signal audio, en traitement d’image, en vidéo et en séparation de sources a connu une activité intensive. Cependant, l'exploitation de la parcimonie dans des contextes de traitement multidimensionnel comme les communications numériques reste largement ouverte. Au même temps, les méthodes aveugles semblent être la réponse à énormément de problèmes rencontrés récemment par la communauté du traitement du signal et des communications numériques tels que l'efficacité spectrale. Aussi, dans un contexte de mobilité et de non-stationnarité, il est important de pouvoir mettre en oeuvre des solutions de traitement adaptatives de faible complexité algorithmique en vue d'assurer une consommation réduite des appareils. L'objectif de cette thèse est d'aborder ces challenges de traitement multidimensionnel en proposant des solutions aveugles de faible coût de calcul en utilisant l'à priori de parcimonie. Notre travail s'articule autour de trois axes principaux : la poursuite de sous-espace principal parcimonieux, la séparation adaptative aveugle de sources parcimonieuses et l'identification aveugle des systèmes parcimonieux. Dans chaque problème, nous avons proposé de nouvelles solutions adaptatives en intégrant l'information de parcimonie aux méthodes classiques de manière à améliorer leurs performances. Des simulations numériques ont été effectuées pour confirmer l’intérêt des méthodes proposées par rapport à l'état de l'art en termes de qualité d’estimation et de complexité calculatoire. / During the last decade, the mathematical and statistical study of sparse signal representations and their applications in audio, image, video processing and source separation has been intensively active. However, exploiting sparsity in multidimensional processing contexts such as digital communications remains a largely open problem. At the same time, the blind methods seem to be the answer to a lot of problems recently encountered by the signal processing and the communications communities such as the spectral efficiency. Furthermore, in a context of mobility and non-stationarity, it is important to be able to implement adaptive processing solutions of low algorithmic complexity to ensure reduced consumption of devices. The objective of this thesis is to address these challenges of multidimensional processing by proposing blind solutions of low computational cost by using the sparsity a priori. Our work revolves around three main axes: sparse principal subspace tracking, adaptive sparse source separation and identification of sparse systems. For each problem, we propose new adaptive solutions by integrating the sparsity information to the classical methods in order to improve their performance. Numerical simulations have been conducted to confirm the superiority of the proposed methods compared to the state of the art.