Dans ce travail de thèse on s’intéresse à l’estimation de l’attitude d’un corps rigideen mouvement dans l’espace 3D en utilisant les quaternions comme représentation. Cetteproblématique a été largement étudiée dans la littérature sous divers domaines d’application.L’objectif de la thèse est de proposer de nouvelles méthodes de fusion de données en combinantdes mesures inertielles et magnétiques. Dans un premier temps, nous nous sommesintéressés à l’estimation de l’attitude en cas de mouvement accéléré où l’accélération linéairedu corps n’est plus négligeable devant la gravité. Deux approches ont été proposées dans cecadre. La première utilise un filtre de Kalman adaptatif pour la compensation des accélérationslinéaires. Précisément, des lois de détection ont été développées pour distinguer d’unefaçon automatique les différentes phases de mouvement (statiques et dynamiques). Ainsi, lamatrice de covariance associée à l’accélération linéaire est estimée afin d’ajuster le gain dufiltre. La deuxième approche consiste à intégrer un filtre singulier élaboré sur la base d’unnouveau modèle, dans lequel le modèle du processus est défini en se basant sur les mesuresissues de l’accéléromètre tandis que le modèle d’observation est défini par les mesures issuesdu gyromètres et du magnétomètres. Cette formulation permet de prendre en compte l’effetdes accélérations linéaires d’une manière efficace. Dans un deuxième temps, on s’est focalisésur l’estimation de l’attitude avec utilisation intermittente de gyromètres, considérés commecapteurs énergivores. Nous avons étudié dans ce cas la façon la plus adéquate afin de réduirel’acquisition des mesures de vitesse angulaire tout en gardant une qualité acceptable de l’estimationde l’attitude. Toutes les approches développées ont été validées par des simulationsnumériques ainsi que des expérimentations utilisant des données réelles. / In this PhD. thesis we deal with attitude estimation of accelerated rigid body moving in the 3D space using quaternion parameterization. This problem has been widely studied in the literature in various application areas. The main objective of the thesis is to propose new methods for data fusion to combine inertial gyros) and magnetic measurements. The first challenge concerns the attitude estimation during dynamic cases, in which external acceleration of the body is not negligible compared to the Gravity. Two main approaches are proposed in this context. Firstly, a quatenion-based adaptive Kalman filter (q-AKF) was designed in order to compensate for such external acceleration. Precisely, a smart detector is designed to decide whether the body is in static or dynamic case. Then, the covariance matrix of the external acceleration is estimated to tune the filter gain. Second, we developed descriptor filter based on a new formulation of the dynamic model where the process model is fed by accelerometer measurements while observation model is fed by gyros and magnetometer measurements. Such modeling gives rise to a descriptor system. The resulting model allows taking the external acceleration of the body into account in a very efficient way. The second challenge is related to the energy consumption issue of gyroscope, considered as the most power consuming sensor. We study the way to reduce the gyro measurements acquisition by switching on/off the sensor while maintaining an acceptable attitude estimation. The effciency of the proposed methods is evaluated by means of numerical simulations and experimental tests.