L'imagerie hyperspectrale de proximité est un outil prometteur pour le phénotypage ou la surveillance de la végétation. En association avec la régression des moindres carrés partiels ou PLS-R, elle permet de construire des cartographies de haute résolution spatiale du contenu chimique à l’échelle de la canopée. Cependant, plusieurs phénomènes optiques doivent être pris en compte lors de l'application de cette approche aux scènes de végétation dans des conditions naturelles. Notamment, les facteurs additifs et multiplicatifs liés respectivement à la réflexion spéculaire et à l'inclinaison des feuilles qui peuvent être surmontés par prétraitement. Mais le phénomène qui pose le plus de défis est la réflexion multiple. Il se produit lorsqu'une feuille est éclairée en partie par la lumière directe, et en partie par la réflexion ou la transmission de la lumière des feuilles voisines, induisant de forts effets non linéaires sur son spectre de réflectance. Bien que cet effet puisse être pris en compte dans certains modèles de télédétection à l’échelle de la canopée, aucune étude n’a été proposée à ce jour sur la façon dont un tel phénomène affecte les évaluations spectrales de la biochimie végétale par imagerie de proximité. L'objectif de la présente étude était d'analyser ces effets dans le contexte de l'imagerie hyperspectrale à des fins de phénotypage végétal et de proposer des méthodes chimiométriques pour les surmonter. Le développement méthodologique a été basé sur des outils de simulation inclus dans la plate-forme open source OpenAlea (http://openalea.gforge.inria.fr/dokuwiki/doku.php). Une scène typique de canopée de blé a été modélisée à l'aide du modèle Adel-Wheat et combinée au modèle de propagation de la lumière Caribu. L'outil proposé simule la réflectance apparente de chaque feuille visible dans la canopée pour une réflectance et une transmittance réelles données, permettant de synthétiser des images hyperspectrales réalistes. Cette approche par simulation nous a permis, dans un premier temps, d’analyser la distribution dans l’espace spectral des perturbations engendrées par les réflexions multiples, puis d’en déduire une méthode de correction applicable dans le cas d’une régression PLS. La méthode est basée sur la construction de deux sous-espaces W et B générés respectivement par la formulation analytique des réflexions multiples et la variable d'intérêt. Ceci nous permet alors de définir une matrice de projection sur B selon la direction W (projection oblique), qui permet de supprimer l’effet des réflexions multiples tout en conservant l’information utile. Il suffit ensuite d’appliquer cette projection à chaque spectre lors de l’apprentissage et de la mise en œuvre du modèle PLS. La méthode a d’abord été développée et paramétrée sur les données simulées, dans le contexte de l’évaluation de la teneur en azote (LNC) de feuilles de blé. Pour cela, les spectres de réflectance (450-1100 nm) de 57 feuilles de blé ont été collectés à l'aide d'un spectromètre ASD (FieldSpec®, Analytical Spectral Devices, Inc., Boulder, Colorado, USA), tandis que leur LNC a été mesuré à l'aide d'analyses chimiques. Des modèles de régression avec et sans projection oblique ont alors été construits à partir des spectres ASD et appliqués sur l’ensemble des données simulées. Le modèle avec projection oblique a donné d’excellents résultats (R² = 0.931; RMSEP = 0.29% DM) en comparaison du modèle classique (R² = 0.915; RMSEP = 0.42% DM).La même méthode a ensuite été appliquée en conditions réelles, sur des feuilles de blé cultivées en pot et au champ. Pour cela, des feuilles ont été collectées et imagées à plat sur fond noir pour la construction des modèles PLS, qui ont ensuite été appliqués aux plantes sur pied. Ces expérimentations ont confirmé d’une part que la PLS-R classique entraînait une forte surestimation du LNC sur les feuilles entourées d’autres feuilles, d’autre part que la projection oblique évitait cette surestimation. / Short range hyperspectral imagery is a promising tool for phenotyping and vegetation survey. When associated with partial least square regression (PLS-R), it allows high spatial resolution mapping of the plant chemical content at the canopy scale. However, several optical phenomena have to be taken into account when applying this approach to vegetation scenes in natural conditions. For instance, additive and multiplicative factors due respectively to specular reflection and leaf inclination can be overcome by spectral preprocessing. But the most challenging phenomenon is multiple scattering. It appears when a leaf is partly lightened by the reflected or transmitted light from surrounding leaves, resulting in strong non linear effects in its apparent reflectance spectrum. Though this effect can be taken into account in some remote sensing models at the canopy scale, no study has been proposed until now concerning its impact on spectral prediction of vegetation chemical content by short range imagery.The objective of this project, associated with a PhD work, was to analyze these effects in the context of hyperspectral imagery for vegetation phenotyping purpose, and to propose spectral processing methods to overcome them.The methodological development has been based on simulation tools included in the open source platform OpenAlea (http://openalea.gforge.inria.fr/dokuwiki/doku.php). A typical wheat canopy scene has been modelled using Adel-Wheat and combined with the light propagation model Caribu. The proposed tool simulates the apparent reflectance of every visible leaf in the canopy for a given actual reflectance and transmittance, allowing to synthetize realistic hyperspectral images.This simulation approach has allowed us, in a first step, to analyze the distribution of deviations due to multiple scattering in the spectral space, and then to infer a correction method in the frame of PLS regression. This method relies on the building of two subspaces EW and EB respectively generated by the analytic formulation of multiple scattering and by the variable of interest. It allows us to define a projection operation on EB subspace along EW direction (oblique projection), in order to remove multiple scattering effects while preserving useful information. This projection operation is then applied on every spectra during learning phase and using phase of the PLS model.The method has first been developed and tuned using simulated data, in the frame of leaf nitrogen content (LNC) prediction of wheat leaves. For this purpose, reflectance spectra (450-1100 nm) of 57 wheat leaves have been collected using a ASD filed spectrometer (FieldSpec®, Analytical Spectral Devices, Inc., Boulder, Colorado, USA), while their LNC was measured through reference chemical analyses. Regression models with and without oblique projection have then been built from the ASD spectra and applied to simulated data. The model with oblique projection provided excellent results (R² = 0.931; RMSEP = 0.29% DM), compared to the classical one (R² = 0.915; RMSEP = 0.42% DM).The same method has then been applied in real conditions on wheat pot plants and field plants. For this purpose, some leaves have been collected and laid on a black paper background to be imaged, in order to build PLS models that have then been applied on in-situ plants. These experimentations have confirmed that the classical PLS-R induces a strong overestimation of LNC on leaves surrounded by other leaves, and that oblique projection corrects this overestimation (same prediction on surrounded then isolated leaf).