La compréhension et la prévision de l'évolution des fluides géophysiques sont d'une importance capitale et constituent un domaine de recherche scientifique aux enjeux conséquents. Une bonne prévision est basée sur la prise en compte de toutes les informations disponibles sur le système considéré. Ces informations incluent les modèles, les observations et les connaissances a priori. L'assimilation de données permet de les combiner de façon optimale pour déterminer les entrées du modèle. Les dernières décennies ont vu croître en densité et en qualité la couverture satellitaire produisant, entre autres, des séquences d'images montrant l'évolution dynamique de certains phénomènes géophysiques tels que les dépressions et les fronts. Ces séquences d'images sont jusqu'à présent sous-utilisées en assimilation de données. Cette thèse propose une extension de l'assimilation variationnelle de données aux observations de type séquence d'images. Après avoir présenté les images, leur utilisation actuelle et ses limites, nous introduisons les notions de niveau d'interprétation, d'espaces et d'opérateur image. Ces notions sont utilisées pour formuler l'assimilation directe de séquences d'images. Nous proposons également une nouvelle approche de régularisation par diffusion généralisée pour les problèmes inverses. Les résultats préliminaires en traitement d'images et en assimilation directe de séquence d'images montrent une méthode prometteuse qui résout la plupart des problèmes rencontrés avec les approches classiques de régularisation.

L'estimation du mouvement est un sujet fondamental pour l'interprétation de séquences d'images. Cette thèse concerne l'étude de la dynamique des écoulements géophysiques visualisée par l'imagerie satellitaire. Une bonne compréhension de ces écoulements géophysiques permet l'analyse et la prévision des phénomènes, par exemple en océanographie et en météorologie. L'assimilation de données constitue le cadre idéal pour prendre en compte de manière optimale les diverses sources d'informations disponibles et en particulier les modèles numériques et les données. On se propose donc, dans cette thèse, d'appliquer des méthodes d'assimilation variationnelles de données, dites4D-Var, pour estimer le mouvement sur les séquences d'images. Une des limitations des techniques 4D-Var est l'importance du temps de calcul et de la mémoire nécessaire lors de leur application. Nous nous proposons, dans ce document, de définir une méthodologie basée sur la réduction de modèle afin de réduire ces limitations de façon significative. Nous étudions les possibilités qu'offre la réduction d'un modèle dynamique pour estimer le mouvement, en particulier afin d'imposer des contraintes issues de la physique aux solutions calculées. Différentes réductions sont discutées, au moyen d'une décomposition orthogonale propre, sur une base sinus pour un mouvement à divergence nulle, ou sur une base dédiée au domaine spatial étudié. Dans chaque cas, les résultats d'expériences synthétiques et sur des données satellite sont présentés