La vraisemblance empirique est une méthode d'estimation inspirée de la vraisemblance classique, mais s'affranchissant du choix d'une famille paramétrique de lois. Cette méthode semi-paramétrique consiste à maximiser la vraisemblance d'une loi ne chargeant que les données et permet de construire des régions de confiance lorsque le paramètre d'intérêt est défini à partir de contraintes de moments.<br />Dans cette thèse, nous généraliserons la méthode de vraisemblance empirique à une vaste gamme de méthodes de divergence empirique. Nous montrerons que l'on peut obtenir des résultats non asymptotiques originaux pour certaines divergences. Nous proposerons également une adaptation de la vraisemblance empirique aux chaînes de Markov. Nous mènerons deux applications : l'estimation d'un indice du risque d'exposition au méthylmercure, en combinant les diverses sources de données disponibles, et l'étude du rôle de la norme sociale sur le surpoids et l'obésité.