La localisation active et passive par un réseau de capteurs distribués est un problème rencontré dans différents domaines d’application. En localisation active, telle que la localisation par radar MIMO (Multiple Input Multiple Output), les émetteurs transmettent des signaux qui sont réfléchis par les cibles visées, puis captés par les antennes réceptrices, alors qu’en localisation passive, les capteurs reçoivent des signaux transmis par les cibles elles-mêmes. L’objectif de cette thèse est d’étudier différentes techniques d’optimisation pour la localisation active et passive de haute précision. Dans la première partie de la thèse, on s’intéresse à la localisation active, où de multiples émetteurs illuminent les cibles depuis différentes directions. Les signaux peuvent être émis avec des puissances ou des largeurs de bande différentes. Ces différentes ressources, par nature en général fortement limitées, sont souvent, par défaut, réparties de façon uniforme entre les différents émetteurs. Or, la précision de la localisation dépend de la position des émetteurs, ainsi que des paramètres (les gains notamment) des différents canaux existant entre émetteurs, cibles, et capteurs. En utilisant comme critère d’optimisation la borne de Cramér-Rao sur la précision de la localisation de cibles multiples, nous proposons une méthode fournissant des solutions approchées aux problèmes d’allocation optimale de puissances seules, de largeurs de bande seules, ou au problème d’allocation conjointe de puissances et de largeurs de bande. Ces solutions sont obtenues en minimisant une suite de problèmes convexes. La qualité de ces solutions approchées est évaluée au travers de nombreuses simulations numériques, mais également par la comparaison avec une borne inférieure définie comme la solution d’un problème d’optimisation avec contraintes relaxées, cette borne pouvant être calculée de façon exacte (numériquement). Cette comparaison permet de constater la proximité de la solution approchée fournie par l’algorithme proposé par rapport à la solution théorique. D’autre part, les simulations ont montré que l’allocation de bande joue un rôle plus important dans les performances de localisation que l’allocation de puissance. Dans la seconde partie de la thèse, on considère le cas de la localisation passive de sources multiples dans un environnement multi-trajet. Ce problème se rencontre notamment dans le cadre de la géolocalisation indoor ou outdoor. Dans ce cas de figure, les approches généralement proposées dans la littérature sont basées sur une méthode ad-hoc de réduction d’interférence couplée à une localisation indirecte obtenue par une estimation de paramètres comme les temps d’arrivée des signaux ou les différences de temps d’arrivée, ou la puissance des signaux reçus. Cependant, les performances de ces approches sont limitées, notamment par le fait que la localisation indirecte d’une cible donnée ne prend pas en compte le fait que les signaux reçus par les différents capteurs émanent d’une seule et même source. Dans cette thèse, nous proposons une modélisation parcimonieuse des signaux reçus. Cette modélisation nous permet, en supposant les formes d’onde connues mais les canaux multi-trajets totalement inconnus, de développer une méthode de localisation directe de l’ensemble des cibles. Cette approche exploite certaines propriétés des canaux, qui permettent de séparer les trajets directs des trajets indirects. Un algorithme d’optimisation conique de second ordre est développé afin d’obtenir une décomposition dite atomique optimale, qui permet d’obtenir une localisation de très bonne précision dans des conditions de propagation difficiles, présentant un phénomène de multi-trajet important et/ou une absence de trajets directs. / Active and passive localization employing widely distributed sensors is a problem of interest in various fields. In active localization, such as in MIMO radar, transmitters emit signals that are reflected by the targets and collected by the receive sensors, whereas, in passive localization the sensors collect the signals emitted by the sources themselves. This dissertation studies optimization methods for high precision active and passive localization. In the case of active localization, multiple transmit elements illuminate the targets from different directions. The signals emitted by the transmitters may differ in power and bandwidth. Such resources are often limited and distributed uniformly among the transmitters. However, previous studies based on the well known Crámer-Rao lower bound have shown that the localization accuracy depends on the locations of the transmitters as well as the individual channel gains between different transmitters, targets and receivers. Thus, it is natural to ask whether localization accuracy may be improved by judiciously allocating such limited resources among the transmitters. Using the Crámer-Rao lower bound for target localization of multiple targets as a figure of merit, approximate solutions are proposed to the problems of optimal power, optimal bandwidth and optimal joint power and bandwidth allocation. These solutions are computed by minimizing a sequence of convex problems. The quality of these solutions is assessed through extensive numerical simulations and with the help of a lower-bound that certifies their optimality. Simulation results reveal that bandwidth allocation policies have a stronger impact on performance than power. Passive localization of radio frequency sources over multipath channels is a difficult problem arising in applications such as outdoor or indoor geolocation. Common approaches that combine ad-hoc methods for multipath mitigation with indirect localization relying on intermediary parameters such as time-of-arrivals, time difference of arrivals or received signal strengths, are unsatisfactory. This dissertation models the localization of known waveforms over unknown multipath channels in a sparse framework, and develops a direct approach in which multiple sources are localized jointly, directly from observations obtained at distributed sources. The proposed approach exploits channel properties that enable to distinguish line-of-sight (LOS) from non-LOS signal paths. Theoretical guarantees are established for correct recovery of the sources’ locations by atomic norm minimization. A second-order-cone-based algorithm is developed to produce the optimal atomic decomposition, and it is shown to produce high accuracy location estimates over complex scenes, in which sources are subject to diverse multipath conditions, including lack of LOS.

La séparation aveugle de sources aveugle (BSS) est une technique d’estimation des différents signaux observés au travers de leurs mélanges à l’aide de plusieurs capteurs, lorsque le mélange et les signaux sont inconnus. Bien qu’il ait été démontré mathématiquement que pour des mélanges linéaires, sous des conditions faibles, des sources mutuellement indépendantes peuvent être estimées, il n’existe dans de résultats théoriques généraux dans le cas de mélanges non-linéaires. La littérature sur ce sujet est limitée à des résultats concernant des mélanges non linéaires spécifiques.Dans la présente étude, le problème est abordé en utilisant une nouvelle approche utilisant l’information temporelle des signaux. L’idée originale conduisant à ce résultat, est d’étudier le problème de mélanges linéaires, mais variant dans le temps, déduit du problème non linéaire initial par dérivation. Il est démontré que les contre-exemples déjà présentés, démontrant l’inefficacité de l’analyse par composants indépendants (ACI) pour les mélanges non-linéaires, perdent leur validité, considérant l’indépendance au sens des processus stochastiques, au lieu de l’indépendance au sens des variables aléatoires. Sur la base de cette approche, de bons résultats théoriques et des développements algorithmiques sont fournis. Bien que ces réalisations ne soient pas considérées comme une preuve mathématique de la séparabilité des mélanges non-linéaires, il est démontré que, compte tenu de quelques hypothèses satisfaites dans la plupart des applications pratiques, elles sont séparables.De plus, les BSS non-linéaires pour deux ensembles utiles de signaux sources sont également traités, lorsque les sources sont (1) spatialement parcimonieuses, ou (2) des processus Gaussiens. Des méthodes BSS particulières sont proposées pour ces deux cas, dont chacun a été largement étudié dans la littérature qui correspond à des propriétés réalistes pour de nombreuses applications pratiques.Dans le cas de processus Gaussiens, il est démontré que toutes les applications non-linéaires ne peuvent pas préserver la gaussianité de l’entrée, cependant, si on restreint l’étude aux fonctions polynomiales, la seule fonction préservant le caractère gaussiens des processus (signaux) est la fonction linéaire. Cette idée est utilisée pour proposer un algorithme de linéarisation qui, en cascade par une méthode BSS linéaire classique, sépare les mélanges polynomiaux de processus Gaussiens.En ce qui concerne les sources parcimonieuses, on montre qu’elles constituent des variétés distinctes dans l’espaces des observations et peuvent être séparées une fois que les variétés sont apprises. À cette fin, plusieurs problèmes d’apprentissage multiple ont été généralement étudiés, dont les résultats ne se limitent pas au cadre proposé du SRS et peuvent être utilisés dans d’autres domaines nécessitant un problème similaire. / Blind Source Separation (BSS) is a technique for estimating individual source components from their mixtures at multiple sensors, where the mixing model is unknown. Although it has been mathematically shown that for linear mixtures, under mild conditions, mutually independent sources can be reconstructed up to accepted ambiguities, there is not such theoretical basis for general nonlinear models. This is why there are relatively few results in the literature in this regard in the recent decades, which are focused on specific structured nonlinearities.In the present study, the problem is tackled using a novel approach utilizing temporal information of the signals. The original idea followed in this purpose is to study a linear time-varying source separation problem deduced from the initial nonlinear problem by derivations. It is shown that already-proposed counter-examples showing inefficiency of Independent Component Analysis (ICA) for nonlinear mixtures, loose their validity, considering independence in the sense of stochastic processes instead of simple random variables. Based on this approach, both nice theoretical results and algorithmic developments are provided. Even though these achievements are not claimed to be a mathematical proof for the separability of nonlinear mixtures, it is shown that given a few assumptions, which are satisfied in most practical applications, they are separable.Moreover, nonlinear BSS for two useful sets of source signals is also addressed: (1) spatially sparse sources and (2) Gaussian processes. Distinct BSS methods are proposed for these two cases, each of which has been widely studied in the literature and has been shown to be quite beneficial in modeling many practical applications.Concerning Gaussian processes, it is demonstrated that not all nonlinear mappings can preserve Gaussianity of the input. For example being restricted to polynomial functions, the only Gaussianity-preserving function is linear. This idea is utilized for proposing a linearizing algorithm which, cascaded by a conventional linear BSS method, separates polynomial mixturesof Gaussian processes.Concerning spatially sparse sources, it is shown that spatially sparsesources make manifolds in the observations space, and can be separated once the manifolds are clustered and learned. For this purpose, multiple manifold learning problem has been generally studied, whose results are not limited to the proposed BSS framework and can be employed in other topics requiring a similar issue.