Les scénarios hydrologiques requis pour les études d'impacts hydrologiques nécessitent de disposer de scénarios météorologiques non biaisés et qui soient de surcroît adaptés aux échelles spatiales et temporelles des hydro-systèmes considérés. Les scénarios météorologiques obtenus en sortie brute des modèles de climat et/ou des modèles de prévision numérique du temps sont de ce fait non appropriées. Les sorties de ces modèles sont par suite souvent adaptées à l'aide de Méthodes de Descente d'Echelle Statistique (MDES). Depuis les années 2000, les MDES ont beaucoup été utilisées pour la génération de scénarios météorologiques en un site. En revanche, la génération de scénarios spatiaux couvrant de larges territoires est une tâche plus difficile, en particulier lorsque l'on souhaite respecter la cohérence spatiale des précipitations à prédire. Parmi les MDES usuelles, les approches basées sur la recherche de situations analogues passées permettent de satisfaire cette contrainte. Dans cette thèse, nous évaluons la capacité d'un Modèle Analog (MA) – où l'analogie porte sur les géopotentiels 1 000 et 500 hPa – pour la génération de scénarios de précipitation spatialement cohérents pour le territoire Français métropolitain. Dans un premier temps, la transposition spatiale du modèle MA est évaluée : le modèle s'avère utilisable pour la génération de scénarios spatiaux cohérents sur des territoires couvrant plusieurs dizaines de milliers de kilomètres carrés dès lors qu'aucune barrière climatique n'est rencontrée. Dans un second temps, nous évaluons la sensibilité des performances de prédiction à l'agrégation spatiale de la variable à prédire. L'augmentation de performance avec l'agrégation s'explique alors par la diminution de la variabilité du prédictand, pour autant que les variables de grande échelle considérées soient de bons prédicteurs pour la région considérée. Dans une dernière étude, nous explorons la possibilité d'améliorer la performance locale du modèle analogue par l'ajout de prédicteurs locaux. Le modèle combiné qui en résulte permet d'accroître sensiblement les performances de prédiction par l'adaptation du lien d'échelle sur la base d'un jeu de prédicteurs additionnels. Il apparaît de plus que la pertinence de ces prédicteurs dépend de la situation de grande échelle rencontrée ainsi que de la région considérée. / Hydrological scenarios required for the impact studies need to have unbiased meteorological scenarios adapted to the space and time scales of the considered hydro-systems. Hence, meteorological scenarios obtained from global climate models and/or numerical weather prediction models are not really appropriated. Outputs of these models have to be post-processed, which is often carried out thanks to Statistical Downscaling Methods (SDMs). Since the 2000's, SDMs are widely used for the generation of scenarios at a single site. The generation of relevant precipitation fields over large regions or hydro-systems is conversely not straightforward, in particular when the spatial consistency has to be satisfied. One strategy to fulfill this constraint is to use a SDM based on the search of past analog situations. In this PhD, we evaluate the ability of an Analog Model (AM) – where the analogy is applied to the geopotential heights 1000 and 500 hPa – for the generation of spatially coherent precipitation scenarios over the French metropolitan territory. In a first part, the spatial transferability of an AM is evaluated: the model appears to be usable for the generation of spatial coherent scenarios over territories covering several tens of thousands squared kilometers if no climatological barrier is met in between. In a second part, we evaluate the sensitivity of the prediction performance to the spatial aggregation of the predictand. The performance increases with the aggregation level as long as the large scale variables are good predictors of precipitation for the region under consideration. This performance increase has to be related to the decrease of the predictand variability. We finally explore the possibility of improving the local performance of the AM using additional local scale predictors. For each prediction day, the prediction is obtained from a parametric regression model, for which predictors and parameters are estimated from the analog dates. The resulting combined model noticeably allows increasing the prediction performance by adapting the downscaling link for each prediction day. The selected predictors for a given prediction depend on the large scale situation and on the considered region.