Les systèmes d'aide à la conduite sont de plus en plus présents dans nos véhicules et nous garantissent un meilleur confort et plus de sécurité. Dans cette thèse, nous nous sommes particulièrement intéressés aux systèmes d'adaptation automatique de la vitesse limite. Nous avons proposé une approche alliant vision et navigation pour gérer de façon optimale l'environnement routier.Panneaux, panonceaux et marquages sont autant d'informations visuelles utiles au conducteur pour connaître les limitations temporaires en vigueur sur la route. La reconnaissance des premiers ont fait l'objet ces dernières années d'un grand nombre d'études et sont même commercialisés, contrairement aux seconds. Nous avons donc proposé un module de détection et classification de panonceaux sur des images à niveaux de gris. Un algorithme de reconstruction morphologique associé à une croissance de régions nous ont permis de concentrer la segmentation sur les zones fortement contrastées de l'image entourées d'un ensemble de pixels d'intensité similaire. Les rectangles ainsi détectés ont ensuite fait l'objet d'une classification au moyen de descripteurs globaux de type PHOG et d'une structure hiérarchique de SVMs. Afin d'éliminer en dernier lieu les panonceaux ne s'appliquant pas à la voie sur laquelle circule le véhicule, nous avons pris en compte les informations de marquages à l'aide d'une machine d'états.Après avoir élaboré un module de vision intégrant au mieux toutes les informations disponibles, nous avons amélioré le système de navigation. Son objectif est d'extraire d'une base de données embarquée, le contexte de conduite lié à la position du véhicule. Ville ou non, classe fonctionnelle et type de la route, vitesse limite sont extraits et modélisés sous forme d'attributs. La fiabilité du capteur est ensuite calculée en fonction du nombre de satellites visibles et de la qualité de numérisation du réseau. La confiance en chaque vitesse limite sera alors fonction de ces deux ensembles.La fusion des deux sources au moyen de Demspter-Shafer a conduit à de très bonnes performances sur nos bases de données et démontré l'intérêt de tous ces éléments. / ADAS (Autonomous Driving Assistance Systems) are more and more integrated in vehicles and provide to drivers more confort and safety. In this thesis, we focused on Intelligent Speed Adaptation. We proposed an approach combining vision and navigation in order to optimally manage the driving context information.Roadsigns, subsigns and markings are visual data used by the driver to determine the current temporary speed limitations. Many research were conducted during last years to recognise the first one, contrary to the second. Commercialised products are even implemented in vehicles. We thus developped a subsign detection and classification module using greyscale images. A morphological reconstruction with a growing region helped us to focus the segmentation on highly contrasted pixels surrounded by homogeneous regions. Global descriptors such as PHOGs combined to a hierarchical structure of SVMs were then used to classify the output rectangles. Finally, we eliminated subsigns which are not applicable to the current lane by considering markings.After having developed a vision module integrating all the available information, we improved the navigation system. The objective was to extract from an embedded database the driving context related to the vehicle position. Urban context or not, functional class, road type and speed limit were collected and modelised into criteria. The sensor reliability was then computed and depended on the satellite configuration and the network digitisation quality. Confidence in each speed limit combined all these elements.Fusion of both sources with the Dempster-Shafer theory led to very good performances on our databases et showed the importance of all the used information.