La télédétection spatiale est d’une importance primordiale pour la cartographie et la surveillance des problèmes environnementaux. Son intérêt réside dans la capacité des capteurs satellitaires spatiaux à fournir des informations globales et permanentes de la planète, aux échelles locale à globale. La télédétection radar a montré son grand potentiel ces dernières années dans la caractérisation des états de surface du sol. L’état de la surface du sol, et en particulier l’humidité et la rugosité, exerce une influence fondamentale sur la répartition de la pluie entre infiltration, rétention superficielle et ruissellement. Il a un rôle essentiel dans les processus hydrologiques de surface et ceux associés à l’érosion et aux processus d’évapotranspiration. La caractérisation et la prise en compte de ces conditions de surface constituent actuellement un enjeu important pour la modélisation à base physique des processus hydrologiques ou pour le couplage surface-atmosphère. Dans ce cadre et depuis plusieurs années, plusieurs études scientifiques ont montré le potentiel des données micro-ondes actives dans l’estimation de l’état hydrique du sol et de sa rugosité de surface.Les nouveaux systèmes radar (SAR ʺSynthetic Aperture Radarʺ) ont permis d’ouvrir de nouvelles perspectives pour l’observation de la terre grâce à l’amélioration de la résolution spatiale (métrique sur TerraSAR-X et COSMO-SkyMed) et temporelle (TerraSAR-X, COSMO-SkyMed, Sentinel-1). La disponibilité depuis peu des nouveaux capteurs radar bande C Sentinel-1 (Sentinel-1A et Sentinel-1B) rend indispensable l’évaluation des données Sentinel-1 pour la caractérisation des états de surface du sol et en particulier la rugosité de surface.Le travail de thèse se structure en trois parties. La première partie consiste à évaluer les modèles de rétrodiffusion de radar les plus utilisés (IEM, Oh, Dubois and AIEM) en utilisant un large ensemble de données de SAR et des mesures expérimentales des paramètres du sol. Cette évaluation permet de trouver le modèle de rétrodiffusion le plus robuste qui simule le mieux le signal radar afin de l'utiliser par la suite dans la procédure d'inversion du signal radar pour estimer la rugosité du sol. Le deuxième axe de recherche de cette thèse consiste à proposer un modèle de rétrodiffusion radar semi-empirique pour les polarisations HH, HV et VV. Ce nouveau modèle sera construit à l'aide d'une grande base de données réelle. Ce nouveau modèle sera également utilisé dans la procédure d'inversion du signal radar pour estimer la rugosité du sol. Le dernier axe de cette thèse consiste à construire une méthode d’inversion du signal radar en utilisant les réseaux de neurones afin d’évaluer le potentiel des données Sentinel-1 pour l’estimation de la rugosité des sols en milieux agricoles. Ces réseaux de neurones seront entrainés à l'aide d'un ensemble de données synthétiques élaborées à partir des modèles de rétrodiffusion radar choisis (IEM calibré par Baghdadi et du nouveau modèle proposé) et validés en utilisant deux ensembles de données: un ensemble de données synthétiques et une base de données réelle (images Sentinel-1 et mesures in situ d’humidité et de rugosité du sol). La base de données réelle a été collectée en Tunisie (Kairouan) et en France (Versailles). / Spatial remote sensing is of paramount importance for mapping and monitoring environmental problems. Its interest lies in the ability of space satellite sensors in providing permanent information of the planet, at local, regional and global scales. Also, it provides spatial and repetitive territories visions and ecosystem views. Radar remote sensing has shown great potential in recent years for the characterization of soil surface conditions. The state of the soil surface, in particular moisture and roughness, has a fundamental influence on the distribution of rainfall between infiltration, surface retention and runoff. In addition, it plays an essential role in surface hydrological processes and those associated with erosion and evapotranspiration processes. Characterization and consideration of these surface conditions have been recently considered as an important issue for physically based modeling of hydrological processes or for surface-atmosphere coupling. In this context and for several years, several scientific studies have shown the potential of active microwave data for estimation of the soil moisture and the surface roughness.New SAR (Synthetic Aperture Radar) systems have opened new perspectives for earth observation through improved spatial resolution (metric on TerraSAR-X and COSMO-SkyMed) and temporal resolution (TerraSAR-X, COSMO-SkyMed, Sentinel-1) . The recent availability of new Sentinel-1 C-band radar sensors (free and open access) makes it essential to evaluate the potential of Sentinel-1 data for the characterization of soil surface conditions and in particular surface roughness.The work revolves around three parts. The first part consist of evaluation of the most used radar backscattering models (IEM, Oh, Dubois, and AIEM) using a wide dataset of SAR data and experimental soil measurements. This evaluation gives the ability to find the most robust backscattering model that simulates the radar signal with good agreement in order to use later in the inversion procedure of the radar signal for estimating the soil roughness. The second research axe of this thesis consists of proposing an empirical radar backscattering model for HH, HV and VV polarizations. This new model will be developed using a large real dataset. This new model also will be used in the inversion procedure of the radar signal for estimating the soil roughness. The last axe of this thesis consists of producing a method to invert the radar signal using neural networks. The objective is to evaluate the potential of Sentinel-1 data for estimating surface roughness. These neural networks will be trained using wide synthetic dataset produced from the radar backscattering models chosen (IEM calibrated by Baghdadi and the new proposed model) and validated using two datasets: one synthetic dataset and one real (Sentinel 1 images and in-situ measurements). The real datasets are collected from Tunisia (Kairouan) and France (Versailles).