Ces travaux s'articulent autour de la détection et de la prévision des phénomènes turbulents dans la couche limite atmosphérique. Nous proposons tout d'abord une méthode stochastique innovante de reconstruction locale de l'atmosphère. Nous utilisons des systèmes de particules pour modéliser l'écoulement atmosphérique et sa variabilité interne. L'apprentissage des paramètres turbulents et la mise à jour des particules se font à l'aide d'observations mesurées par un lidar Doppler 3D. Nous présentons ensuite une nouvelle méthode de descente d'échelle stochastique pour la prévision de la turbulence sous-maille. A partir du modèle en points de grille Meso-NH, nous forçons un système de particules qui évolue à l'intérieur des mailles. Notre méthode de descente d'échelle permet de modéliser des champs sous-maille cohérents avec le modèle en points de grille. Dans un troisième et dernier temps nous introduisons les problèmes de remontée d'échelle. La reconstruction de l'atmosphère modélise la turbulence dans un volume restreint qui couvre au plus quelques mailles des modèles météorologiques en points de grille. L'objectif de la remontée d'échelle est de construire une méthode d'assimilation de l'atmosphère reconstruite. En utilisant l'algorithme de nudging direct et rétrograde, nous explorons les problèmes liés à la taille du domaine observé. Nous proposons finalement un algorithme de nudging avec apprentissage de paramètre, illustré sur un cas simple. / Our work aims to improve the turbulent phenomena detection and forecast in the atmospheric boundary layer. First, we suggest a new stochastic method to reconstruct locally the turbulent atmosphere. Particle systems are used to model the atmospheric flow and its internal variability. To update particles and lean the turbulent parameters 3D Doppler lidar measurements are used. Then, a new stochastic downscaling technic for sub-grid turbulence forecast is presented. From the grid point model Meso-NH, a sub-grid particle system is forced. Here, the particles evolve freely in the simulated domain. Our downscaling method allows to model sub-grid fields coherent with the grid point model. Next, we introduce the upscaling issue. The atmosphere reconstruction covers at best few cells of meteorological grid point models. The issue is to assimilate the reconstructed atmosphere in such models. Using the back and forth nudging algorithm, we explore the problems induced by the size of the observed domain. Finally we suggest a new way to use the back and forth nudging algorithm for parameter identification.