Lors de la validation des modèles de séries chronologiques, une hypothèse qui peut s'avérer importante porte sur la loi des données. L'approche préconisée dans ce mémoire utilise les tests lisses d'ajustement. Ce mémoire apporte des développements théoriques et empiriques des tests lisses pour les modèles autorégressifs moyennes mobiles (ARMA) vectoriels. Dans des travaux précédents, Ducharme et Lafaye de Micheaux (2004) ont développé des tests lisses d'ajustement reposant sur les résidus des modèles ARMA univariés. Tagne Tatsinkou (2016) a généralisé les travaux dans le cadre des modèles ARMA vectoriels (VARMA), qui s'avèrent potentiellement utiles dans les applications avec données réelles. Des considérations particulières au cas multivarié, telles que les paramétrisations structurées dans les modèles VARMA sont abordées. Les travaux de Tagne Tatsinkou (2016) sont complétés selon les angles théoriques et des études de simulations additionnelles sont considérées. Les nouveaux tests lisses reposent sur des familles de polynômes orthogonaux. Dans cette étude, une attention particulière est accordée aux familles de Legendre et d'Hermite. La contribution théorique majeure est une preuve complète que la statistique de test est invariante aux transformations linéaires affines lorsque la famille d'Hermite est adoptée. Les résultats de Tagne Tatsinkou (2016) représentent une première étape importante, mais ils sont incomplets quant à l'utilisation des résidus du modèle. Les tests proposés reposent sur une famille de densités sous les hypothèses alternatives d'ordre k. La sélection automatique de l'ordre maximal, basée sur les résultats de Ledwina (1994), est discutée. La sélection automatique est également implantée dans nos études de simulations. Nos études de simulations incluent des modèles bivariés et un modèle trivarié. Dans une étude de niveaux, on constate la bonne performance des tests lisses. Dans une étude de puissance, plusieurs compétiteurs ont été considérés. Il est trouvé que les tests lisses affichent des propriétés intéressantes de puissance lorsque les données proviennent de modèles VARMA avec des innovations dans la classe de lois normales contaminées. / When validating time series models, the distribution of the observations represents a potentially important assumption. In this Master's Thesis, the advocated approach uses smooth goodness-of-fit test statistics. This research provides theoretical and empirical developments of the smooth goodness of fit tests for vector autoregressive moving average models (VARMA). In previous work, Ducharme and Lafaye de Micheaux (2004) developed smooth goodness-of-fit tests designed for the residuals of univariate ARMA models. Later, Tagne Tatsinkou (2016) generalized the work within the framework of vector ARMA (VARMA) models, which prove to be potentially useful in real applications. Structured parameterizations, which are considerations specific to the multivariate case, are discussed. The works of Tagne Tatsinkou (2016) are completed, according to theoretical angles, and additional simulation studies are also considered. The new smooth tests are based on families of orthogonal polynomials. In this study, special attention is given to Legendre's family and Hermite's family. The major theoretical contribution in this work is a complete proof that the test statistic is invariant to linear affine transformations when the Hermite family is adopted. The results of Tagne Tatsinkou (2016) represent an important first step, but they were incomplete with respect to the use of the model residuals. The proposed tests are based on a family of densities under alternative hypotheses of order k. A data driven method to choose the maximal order, based on the results of Ledwina (1994), is discussed. In our simulation studies, the automatic selection is also implemented. Our simulation studies include bivariate models and a trivariate model. In the level study, we can appreciate the good performance of the smooth tests. In the power study, several competitors were considered. We found that the smooth tests displayed interesting power properties when the data came from VARMA models with innovations in the class of contaminated normal distributions.