L'ostéoporose est une maladie caractérisée par la perte de la masse osseuse et la dégradation de la micro-architecture osseuse. Bien que l'ostéoporose ne soit pas une maladie mortelle, les fractures qu'elle provoque peuvent entraîner de graves complications (lésions des vaisseaux et des nerfs, infections, raideur), parfois accompagnées de menaces de mort. La micro-architecture osseuse joue un rôle important dans le diagnostic de l'ostéoporose. Deux appareils de tomodensitométrie courants pour scanner la micro-architecture osseuse sont la tomodensitométrie quantitative périphérique à haute résolution et la tomodensitométrie microscopique. Le premier dispositif donne accès à l'investigation in vivo, mais sa résolution spatiale est inférieure. Le micro tomodensitomètre donne une meilleure résolution spatiale, mais il est contraint à une mesure ex vivo. Dans cette thèse, notre but est d'améliorer la résolution spatiale des images de tomodensitométrie périphérique à haute résolution afin que l'analyse quantitative des images résolues soit proche de celle donnée par les images de tomodensitométrie Micro. Nous sommes partis de la régularisation de la variation totale, à une combinaison de la variation totale et du potentiel de double puits pour améliorer le contraste des résultats. Ensuite, nous envisageons d'utiliser la méthode d'apprentissage par dictionnaire pour récupérer plus de détails sur la structure. Par la suite, une méthode d'apprentissage approfondi a été proposée pour résoudre un problème de super résolution et de segmentation joint. Les résultats montrent que la méthode d'apprentissage profond est très prometteuse pour les applications futures. / Osteoporosis is a disease characterized by loss of bone mass and degradation of bone microarchitecture. Although osteoporosis is not a fatal disease, the fractures it causes can lead to serious complications (damage to vessels and nerves, infections, stiffness), sometimes accompanied with risk of death. The bone micro-architecture plays an important role for the diagnosis of osteoporosis. Two common CT devices to scan bone micro architecture is High resolution-peripheral Quantitative CT and Micro CT. The former device gives access to in vivo investigation, but its spatial resolution is inferior. Micro CT gives better spatial resolution, but it is constrained to ex vivo measurement. In this thesis, we attempt to improve the spatial resolution of high resolution peripheral CT images so that the quantitative analysis of the resolved images is close to the one given by Micro CT images. We started from the total variation regularization, to a combination of total variation and double-well potential to enhance the contrast of results. Then we consider to use dictionary learning method to recover more structure details. Afterward, a deep learning method has been proposed to solve a joint super resolution and segmentation problem. The results show that the deep learning method is very promising for future applications.