Les travaux concernent le traitement de données pour l'imagerie sur-résolue avec une application en astronomie. On s'intéresse en particulier aux données issues de l'instrument SPIRE de l'observatoire spatial Herschel de l'ESA, dédié aux infrarouges lointains. Les problèmes soulevés sont principalement : la réponse de l'optique qui atténue les fréquences spatiales, le sous-échantillonnage ainsi que la présence d'une dérive thermique. L'approche proposée est l'inversion de données, c'est à dire la prise en compte du processus d'acquisition en plus d'information a priori, pour estimer le ciel d'intérêt. La première partie des travaux concerne la modélisation du processus d'acquisition des données. Le modèle est composé d'une optique, de filtres en longueur d'onde, du capteur sensible à la température à base de bolomètres ainsi que du protocole de pointage. Le modèle obtenu, linéaire mais non invariant à cause de l'échantillonnage, est étudié. Des propriétés intéressantes, notamment dans une perspective de traitement de données, sont dégagées en particulier en lien avec la sur-résolution. L'analyse du modèle permet également de faire ressortir des propriétés utiles pour un algorithmique de calcul. La deuxième partie des travaux repose sur une démarche d'inférence inscrite dans le formalisme bayésien usuel. Toute l'information ne passant pas à travers l'instrument ou étant dégradée, le problème inverse est mal-conditionné. La méthode employée, en plus de formaliser une information de régularité spatiale sur le ciel permettant de lever le problème de conditionnement, propose l'estimation des paramètres des lois réglant le compromis entre les différentes sources d'information (hyper-paramètres). De plus, l'approche proposée permet l'estimation de paramètres instruments ainsi que l'estimation d'une dérive thermique lente affectant l'ensemble du capteur conjointement aux autres paramètres. L'ensemble de l'information utilisée pour résoudre le problème est formalisé au travers d'une loi a posteriori jointe pour l'ensemble des inconnues. L'estimateur choisi est la moyenne a posteriori calculée par un algorithme MCMC. Une étude expérimentale démontre la capacité de la méthode à restaurer de hautes fréquences spatiales. L'étude montre également le potentiel de l'approche pour l'estimation des hyper-paramètres et des paramètres instruments.