Le périodogramme est un outil naturel pour l'analyse spectrale d'une série temporelle stationnaire au second ordre. La littérature sur les séries temporelles en donne grand nombre de propriétés - principalement asymptotiques -, que le signal soit a dependence courte ou longue. Beaucoup de ces resultats font l'hypothese supplementaire de gaussianite. La principale contribution de ce travail est l'extension de nombreux resultats connus aux signaux non-gaussiens. Nous traiterons le periodogramme de l'i.i.d. et donnerons une expression asymptotique de ses moments a tout ordre. Nous montrerons que l'on peut traiter le cas plus général du signal linéaire selon deux méthodes. Soit en s'appuyant sur le résultat précédent et la decomposition de Bartlett, soit en traitant directement le periodogramme du lineaire par developpement asymptotique (developement d'Edgeworth) de sa distribution. La premiere methode conduit a des resultats de type "limite centrale" sur une large classe de tableaux triangulaires de fonctionnelles non-lineaire du periodogramme, alors que la seconde permet des resultats de consistance.

Les modèles latents sont très utilisés en pratique, comme en génomique, économétrie, reconnaissance de parole... Comme la modélisation paramétrique des densités d’émission, c’est-à-dire les lois d’une observation sachant l’état latent, peut conduire à de mauvais résultats en pratique, un récent intérêt pour les modèles latents non paramétriques est apparu dans les applications. Or ces modèles ont peu été étudiés en théorie. Dans cette thèse je me suis intéressée aux propriétés asymptotiques des estimateurs (dans le cas fréquentiste) et de la loi a posteriori (dans le cadre Bayésien) dans deux modèles latents particuliers : les modèles de Markov caché et les modèles de mélange. J’ai tout d’abord étudié la concentration de la loi a posteriori dans les modèles non paramétriques de Markov caché. Plus précisément, j’ai étudié la consistance puis la vitesse de concentration de la loi a posteriori. Enfin je me suis intéressée à l’estimation efficace du paramètre de mélange dans les modèles semi paramétriques de mélange. / Latent models have been widely used in diverse fields such as speech recognition, genomics, econometrics. Because parametric modeling of emission distributions, that is the distributions of an observation given the latent state, may lead to poor results in practice, in particular for clustering purposes, recent interest in using non parametric latent models appeared in applications. Yet little thoughts have been given to theory in this framework. During my PhD I have been interested in the asymptotic behaviour of estimators (in the frequentist case) and the posterior distribution (in the Bayesian case) in two particuliar non parametric latent models: hidden Markov models and mixture models. I have first studied the concentration of the posterior distribution in non parametric hidden Markov models. More precisely, I have considered posterior consistency and posterior concentration rates. Finally, I have been interested in efficient estimation of the mixture parameter in semi parametric mixture models.