La quantité de biomasse est un solide indicateur de l'état de santé d'une plante. Elle permet de vérifier que l'environnement dans lequel évolue la plante, de même que les techniques culturales appliquées, sont favorables à son développement et à sa croissance. Pouvoir l'estimer permet, dans des grandes cultures par exemple, de faire des prévisions de récoltes. L'agriculture de précision met à contribution la télédétection pour représenter la variabilité spatiale et temporelle des caractéristiques biophysiques des cultures à l'échelle parcellaire. Le Lidar est un capteur de télédétection, à partir duquel on détermine la hauteur des arbres avec précision. La hauteur est un indicateur de la croissance des plantes que l'on peut relier à des quantités de biomasse. L'intensité du rayonnement électromagnétique émis par un capteur Lidar, réfléchi par une cible et retournée au capteur, peut être utilisée comme bande d'imagerie et servir, dans le cadre de classifications d'images, à l'identification des classes d'utilisation du sol. Notre étude propose de mettre à profit les données Lidar pour la caractérisation des grandes cultures. Il s'agit d'extraire la hauteur des cultures de maïs et de soya à partir des nuages de points Lidar, de sélectionner adéquatement, à partir d'une combinaison de bandes multispectrales et de l'intensité du Lidar, les pixels des cultures d'intérêts, et finalement de calculer des rendements. Un vol aéroporté est effectué au dessus de la zone d'étude, avec à bord un capteur Lidar et un capteur multispectral qui enregistrent simultanément les données. Dans le même temps, une campagne au sol permet de mesurer la hauteur des plantes, et leur position GPS. Un algorithme implémenté sous Fortran, permet d'estimer la hauteur des cultures, qui se trouve corrélée avec les hauteurs mesurées au sol. Une comparaison entre trois classifications, une avec l'intensité du Lidar, une seconde avec les bandes multispectrales, et une troisième avec les données multispectrales et l'intensité du Lidar, montre que la combinaison des bandes est celle qui produit les meilleurs résultats. Cette classification est utilisée pour sélectionner les pixels devant servir au calcul de rendement du maïs d'ensilage. Les rendements ainsi calculés sont comparés avec la production effective des parcelles sélectionnées. Les résultats obtenus par l'estimation des rendements de maïs d'ensilage à partir des données Lidar sont satisfaisants. / Biomass quantity is a robust indicator of plant health. It may be used to check if the environment in which the plant is being grown is proper to its development and growth. Being able to estimate biomass quantity allows making harvest forecasting on crops. Precision agriculture uses remote sensing to represent spatial and temporal variability of crops biophysical characteristics at parcel scale. Lidar is a remote sensing tool from which trees height can be determined with precision. Height is an indicator of plant's growth directly connected to biomass quantities. While a Lidar sensor is working, the intensity of the electromagnetic radiation emitted is reflected by a target and returned to the sensor. This intensity can be useful while making image classification for land use recognition. This project intends to take profit of Lidar data for high crops characterization. A first step is about extracting corn and soybean crops height from Lidar point cloud. The next step consists on using multispectral bands and Lidar intensity combination to correctly select pixels from parcels of interest. The last step finally makes yield estimate calculation on pixels selected with combined multispectral bands and Lidar intensity using crop height derived from Lidar data. An airborne platform, having on board Lidar and multispectral sensors, both recording data simultaneously, was flown over the study area. At the same time, a ground campaign was carried out, measuring plants height and GPS positions. An algorithm implemented under FORTRAN, made it possible to estimate crops height, which was found to have a good correlation with ground measured heights. Comparison between three classifications, one made with Lidar intensity only, another with multispectral data, and a last one, with combination of both Lidar and multispectral data, shows that the combination gives best results. Then this classification is used to select pixels that should be used to calculate the yield of silage corn. Results obtained on silage corn yield estimation are satisfying.