Les maladies du bois de la vigne sont responsables de pertes économiques importantes pour la filière viticole. Ces maladies d'origine fongique se manifestent notamment par une dégradation de la partie boisée du matériel végétal et par l'apparition erratique de symptômes caractéristiques sur la partie foliaire. Cette thèse est dédiée à l'étude de ces maladies (principalement l'esca) à l'aide de deux capteurs imageurs en proxidétection.La question de la détection des symptômes visibles est tout d'abord abordée à l'aide d'un capteur couleur RVB permettant d'acquérir une image par pied de manière automatique ou semi-automatique. La reconnaissance des symptômes est abordée en deux étapes, d'abord en considérant la classification à l'échelle de la feuille puis la détection à l'échelle du pied. La particularité de cette étude est l'inclusion de facteurs confondants dans le problème de classification, tirant partie de l'information de forme des symptômes de l'esca pour les différencier d'autres troubles et maladies. Dans ce but, une comparaison entre approches SIFT et approches transfer learning récentes est alors conduite. Les résultats nous poussent alors à considérer une architecture deep learning simple (RetinaNet) pour la détection des symptômes sur les images, permettant d'estimer un niveau d'atteinte pour chaque pied.Le second capteur utilisé, une caméra hyperspectrale couvrant le spectre de 500 nm à 1300 nm, tente de répondre à une problématique plus expérimentale, à savoir le comportement spectral des pieds atteints par la maladie pouvant déboucher sur une détection précoce des pieds malades mais sans symptômes foliaires. Un protocole expérimental et une base de données de spectres sont alors constitués pour l'occasion. Les méthodes de réduction de la dimensionnalité permettent d'exploiter l'information hyperspectrale voire d'isoler les longueurs d'onde associées à chacune des deux classes. Les données ne permettent cependant pas, pour la plage de longueur d'onde mesurée et dans les conditions d'acquisition terrain, de réaliser une détection précoce de la maladie sur les pieds sans symptômes.Les différences et similarités entre chacune de ces deux applications, en terme de constitution de base de données, d'algorithmes, de difficultés et de potentiel d'application en conditions réelles sont discutées tout au long du manuscrit. / Grapevine wood diseases in the vineyard are responsible for significant economic losses in the wine industry. These diseases of fungal origin are caracterised by a degradation of the wooded part of the plant material and by the erratic appearance of characteristic symptoms on the leaf part. This thesis is dedicated to the study of these diseases (mainly esca disase) using two imaging sensors and proximal sensing.The issue of visible symptom detection is first addressed using an RGB color sensor to acquire an image for each plant automatically or semi-automatically. The recognition of symptoms is approached in two stages, firstly by considering the classification at leaf-scale and then the detection at the plant-scale. The particularity of this study is the inclusion of confounding factors in the classification problem, taking advantage of the shape information of esca symptoms to differentiate them from other disorders and diseases. For this purpose, a comparison between SIFT approaches and recent transfer learning approaches is then conducted. The results then lead us to consider a simple deep learning architecture (RetinaNet) for the detection of the symptoms on the images, making it possible to estimate a level of disease severity for each vineplant.The second sensor used, a hyperspectral camera covering the spectrum from 500 nm to 1300 nm, tries to tackle a more experimental problem, namely the spectral behavior of the diseased plants which may lead to early detection of diseased plants without foliar symptoms. An experimental protocol and a database of spectra are then formed for the occasion. The dimensionality reduction methods make it possible to exploit the hyperspectral information or even to isolate the wavelengths associated with each class. However, the data do not allow, for the measured wavelength range and in the field acquisition conditions, to perform early detection of the disease on the plant without symptoms.The differences and similarities between each of these two applications, in terms of database constitution, algorithms, difficulties and application potential in real conditions are discussed throughout the manuscript.