La pollution atmosphérique constitue un risque environnemental majeur dont les effets néfastes sur la santé et sur l’environnement sont déjà clairement démontrés. Toutefois, la mesure d’exposition des populations aux polluants tels que les particules fines et l’ozone troposphérique demeure approximative en raison de la faible densité des stations d’échantillonnage de ces polluants. Peu d’études ont considéré la variation spatiale intra-urbaine dans la modélisation spatiale des concentrations de polluants. Certaines études ont cependant combiné interpolation spatiale et corrélation avec des facteurs locaux. De plus, l’effet du régime météorologique (par exemple l’occurrence d’une inversion de température) sur l’amplitude de ces corrélations n’est pas pris en compte. Cette thèse a donc pour objectif d’évaluer de nouvelles manières de caractériser la distribution spatiale et temporelle des particules fines (PM2.5) et de l’ozone troposphérique (O3) à l’échelle intra-urbaine. Plus particulièrement, nous avons développé un modèle de géostatistique multivariable appelée krigeage avec dérive externe (KED, kriging with external drift) basé sur l’intégration de variables auxiliaires dans le processus d’estimation journalière des PM2.5 et de l’O3. Le krigeage constitue une forme d’interpolation spatiale des données de stations de mesures éparses, alors que la dérive externe mise sur des corrélations entre des conditions locales (axes de transport routier, espaces verts, etc.) et la concentration des polluants atmosphériques. Afin de prendre en compte les variations temporelles, notamment celles reliées aux conditions météorologiques, ces modèles ont été développés par groupes basés sur des conditions synoptiques et six classes d’états établies selon la température, le vent, l’humidité relative et les précipitations, d’après des données météorologiques journalières. Les résultats montrent que l’intégration des variables auxiliaires telles que la densité de la végétation et les zones des activités industrielles locales dans le KED expliquent en partie les variations intra-urbaines des PM2.5 de l’île de Montréal, mais que cet apport est variable selon la classe météorologique. Ainsi, lorsque les corrélations sont très faibles, une interpolation spatiale simple, comme la méthode IDW (inverse distance weighting) est plus exacte que l’interpolation multivariable, alors que pour d’autres conditions synoptiques le KED produit les prédictions les plus certaines. Nous avons pour cette raison proposé un modèle d’interpolation hybride (KED-IDW) s’adaptant aux conditions météorologiques. Nous avons également montré, particulièrement dans le cas de l’O3, que le krigeage avec dérive externe améliore les résultats obtenus par krigeage ordinaire (sans variables auxiliaires). Cette thèse a aussi permis d’évaluer l’apport d’un modèle spatio-temporel (BME, bayesian maximum entropy) dans l’estimation de l’effet à court terme de l’exposition à l’O3 sur les décès à Montréal. Les résultats suggèrent que ce modèle spatio-temporel dans les conditions développées (par ex. basé sur les données de 12 stations de mesures, pour un territoire de 1 310 km2) n’apporte pas de gains significatifs dans l’estimation de l’effet de l’exposition. Dans l’ensemble, cette thèse contribue au progrès de modélisation spatiale empirique des polluants atmosphériques en se fondant notamment sur l’adaptation aux conditions météorologiques et par l’ajout de certains facteurs météorologiques comme prédicteurs. Dans ce contexte, cette thèse ouvre une voie prometteuse pour l’amélioration des estimations de polluants atmosphériques à l’échelle intra-urbaine et de la capacité à évaluer les risques à la santé de la population par une meilleure caractérisation de l’exposition. Mots-clés : pollution de l’air, particules fines, ozone troposphérique, santé, géostatistique, krigeage avec dérive externe, environnement urbain. / Air pollution is a major environmental hazard with clearly demonstrable adverse effects on health and the environment. However, the measurement of populations’ exposure to pollutants such as particulate matter and ground-level ozone remains approximate due to the low density of sampling stations for these pollutants. Moreover, intra-urban spatial variation in the spatial modeling of pollutant concentrations has received little research attention. If anything, some studies have combined spatial interpolation and correlation with local factors; however, they do so without examining the effect of the weather regime (e.g., a temperature inversion) on the magnitude of these correlations. In order to overcome these shortcomings, this dissertation aims to evaluate new ways of characterizing the spatial and temporal distribution of fine particles (PM2.5) and ground-level ozone (O3) at the intra-urban scale. In particular, we developed a multivariable geostatistical model called “kriging with external drift” (KED) based on the integration of auxiliary variables into the process of estimating daily PM2.5 and O3 concentrations. Kriging is a form of spatial interpolation of data from measurement stations that are dispersed, while external drift is based on correlations between local conditions (road transport arteries, green spaces, etc.) and the concentration of atmospheric pollutants. In order to take account of temporal variations, especially those related to weather conditions, we designed these models around six synoptic weather classes based on daily meteorological data (such as temperature, wind, relative humidity and precipitation). v The results show that the integration of auxiliary variables (such as vegetation density and local industrial activity areas) in KED partly explains the intra-urban variations of PM2.5 on the island of Montreal, but that this contribution is variable depending on the weather conditions. Thus, when the correlations are very low, a simple spatial interpolation (such as the inverse distance weighting (IDW) method) is more accurate than multivariable interpolation, whereas for other synoptic conditions KED produces the most certain predictions. For this reason, we proposed a hybrid interpolation model (KED-IDW) that can adapt to different weather conditions. We have also shown, particularly in the case of O3, that KED improves the results obtained from ordinary kriging (without auxiliary variables). This dissertation also allowed to evaluate the contribution of a spatial-temporal model—BME (bayesian maximum entropy)—in the estimation of the short-term effect of exposure to O3 on deaths in Montreal. The results suggest that this spatio-temporal model under the determined conditions (e.g., based on data from 12 measurement stations, for a territory of 1 310 km2) does not offer significant improvements to the estimation of the effect of exposure. Overall, this dissertation contributes to the advancement of the empirical spatial modeling of air pollutants, namely by taking into account the adaptation to weather conditions as well as certain predictive meteorological factors. In this context, the dissertation opens up a promising path for improving the estimation of air pollution at the intra-urban scale and the capacity to assess population health risks through better characterization of exposure.