Un système de production High-Mix Low-Volume est caractérisé par une grande variété de technologies, des faibles volumes de production, et des produits de courte durée de vie. L’introduction de la technique d’échantillonnage dynamique à ce système de production a permis un gain important sur le rendement de production. Cet échantillonnage est basé, en temps réel, sur les états des équipements et sur l’ensemble des produits en cours de fabrication. Les méthodes classiques d’analyse des rendements, nécessitant un grand nombre de mesure par produit, ne sont plus aussi performantes. Afin d’adapter le diagnostic au nouvel environnement de production, les travaux de cette thèse proposent une approche de diagnostic qui consiste à localiser l’équipement à l’origine de défauts dans une ligne de fabrication du semi-conducteur. Elle est composée de trois modules principaux. Le premier module est constitué d’une méthode d’identification de l’équipement en mode de fonctionnement anormal. Cette méthode est basée sur l’analyse d’éléments communs. Le deuxième est un module de tri de données. Un algorithme d’alignement de séquences a été utilisé afin de comparer les caractéristiques des échantillons et calculer le taux de similarité. Le troisième module est l’échantillonnage réactif pour le diagnostic. Cet échantillonnage est basé sur un modèle d’optimisation linéaire qui permet de trouver l’équilibre entre le nombre d’échantillons et le temps d’analyse. L’approche proposée est validée sur des données expérimentales issues de la ligne de fabrication de la compagnie STMicroelectronics à Rousset-France. / High-Mix Low-Volume manufacturing process is characterized by a wide variety of technologies, low production volumes, and short cycle time of products. The introduction of dynamic sampling technique in this system has enabled a significant improvement of production gain. The dynamic sampling is based on the equipment states and the set of products being manufactured. The yield enhancement methods requiring à large number of measurements by product, are no more efficient. In order to adapt the diagnosis method to the new manufacturing environment, this thesis provides a defect source identification method applied to semiconductor manufacturing process. It is composed of three main modules. The first module aim to identify the faulty process equipment. This module is based on the tool commonality analysis approach. The second module consists in sorting the products. A Sequence Alignment Algorithm has been used in order to compare the sample characteristics and to calculate the similarity degree. The third module is a reactive sampling method for the diagnosis. This method is based on a linear optimization algorithm that allows finding the tradeoff between the number of samples and the analysis time. The proposed approach has been approved on real data from STMicroelectronics manufacturing line in Rousset-France.