Au cours des dernières années, les méthodes d’apprentissage profond, ou "Deep Learning", ont significativement évolué et trouvé des applications dans divers domaines. Ce travail de thèse explore son applicabilité dans deux domaines spécifiques de la physique : la réflectométrie pour l’identification de défauts le long des réseaux de câblages, et la détection d’objets enterrés à l’aide du radar à sondage de sol (GPR) grâce à des techniques non destructives. Les câbles, éléments critiques dans les systèmes électroniques, peuvent présenter des défaillances, représentant ainsi un risque potentiel dans des secteurs sensibles comme l’aéronautique. L’utilisation de la réflectométrie, une technique exploitant les signaux réfléchis après envoi d’un signal dans le câble, est vitale pour détecter et gérer des anomalies naissantes. L’intégration de réseaux de neurones profonds, incluant des modèles à multi-perceptrons et convolutionnels, a démontré son efficacité pour localiser et caractériser précisément les défauts. Au cours de cette thèse, nous avons mis en lumière l’influence des hyperparamètres sur la précision du modèle construit. Dans le domaine des radars GPR, une antenne émettrice génère des impulsions électromagnétiques pour illuminer des cibles situées dans le sous-sol. Le traitement des signaux réfléchis lors du déplacement du récepteur permet de construire une image, appelée B-scan, qui affiche des hyperboles fournissant des informations sur la localisation et la nature du tuyau. Grâce à la mise en oeuvre de réseaux neuronaux profonds tels que VGG-16, ResNet-50, et des CNN, adaptés à partir d’une base de données synthétiques, un modèle de classification multi-labels a été développé. Celui-ci permet une extraction instantanée des caractéristiques du sol et des tuyaux (diamètre, type de tuyau), améliorant significativement l’efficacité de la détection et de l’analyse. Un réglage rigoureux des hyperparamètres s’est avéré nécessaire.