Abstract FR:

Cette these presente une synthese des resultats acquis dans le domaine de la detection decentralisee (d. D), a la fois d'un point de vue theorique et pratique. Ce sujet aborde les problemes classiques de detection en abandonnant l'hypothese implicite habituelle de la centralisation des donnees percues par le detecteur. On delimite tout d'abord le cadre des architectures arborescentes, en expliquant les raisons de ce choix et en donnant une justification rigoureuse du formalisme statistique adapte a ces problemes. Les criteres de bayes et de neyman-pearson sont ensuite successivement abordes. Pour l'optique bayesienne, on explique les problemes de np-complexite qui obligent a faire l'hypothese de l'independance conditionnelle des observations. Sous cette hypothese, on demontre l'optimalite des regles de decision globales construites a partir de tests du rapport de vraisemblance locaux. Pour l'optique de neyman-pearson, on met en evidence les mecanismes de randomisation d'equipe qui sont propres a ce critere. Le role important des tests du rapport de vraisemblance est a nouveau demontre. Un probleme de randomisation associe a des lois continues fait l'objet d'une attention particuliere. Pour l'aspect pratique, on montre comment formaliser un probleme de d. D. Comme un probleme de commande optimale arborescente deterministe. Des algorithmes permettant de trouver les seuils utilises par une architecture de d. D. Sont presentes. Enfin, on propose une approche des problemes de d. D. Utilisant les outils de la theorie des grandes deviations. Ceci nous permet de justifier rigoureusement des proprietes concernant les performances des detecteurs decentralises