Ce mémoire de thèse vise à proposer de nouvelles méthodes robustes pour l'estimation de la fréquence respiratoire (FR) à partir des signaux physiologiques souvent utilisés dans la clinique comme l'électrocardiogramme (ECG) ou le photoplethysmogramme (PPG), tout en évitant de porter des capteurs encombrants et inconfortables. En effet, la respiration influence les signaux ECG et/ou PPG. Plusieurs modulations qui décrivent la respiration sont extraites basée principalement sur l'amplitude, la fréquence et la ligne de base. Il est toutefois difficile de déterminer la combinaison optimale des modulations pour obtenir une estimation précise de la FR en raison du bruit, la spécificité de chaque patient et de l'activité. Après une revue de la littérature, il ressort que peu de travaux ont étudié la qualité de ces modulations. Nous proposons donc de quantifier la qualité des modulations à l'aide d'indices de qualité respiratoire (IQR), un nouvel indice basé sur une modulation sinusoïdale est introduit. Puis, deux méthodes sont proposées: la première sélectionne automatiquement la modulation avec l'IQR le plus élevé pour une estimation de la FR, la seconde combine les deux meilleurs modulations avec le lisseur de Kalman (LK). Une nouvelle approche de fusion de modulations basée sur un modèle multimodale est également explorée. Ces méthodes sont évaluées sur trois bases de données de différents contextes cliniques: la surveillance dans les soins postopératoires (où les patients sont immobiles), le suivi pendant les activités physiques quotidiennes et la surveillance néonatale. Les résultats expérimentaux montrent que les IQRs associés à un algorithme de fusion augmentent la précision de l'estimation de la FR à partir des modulations dérivées et montrent des résultats supérieurs aux travaux issus de la littérature.