La dynamique interne des cyclones tropicaux joue un rôle fondamental dans leur intensification et leur réponse aux perturbations externes. Bien que principalement symétrique à l’échelle du vortex, cette dynamique est aussi fortement régie par des processus asymétriques. Ces processus sont toutefois difficiles à observer car proches de la surface et de la zone de vents maximum, et multi-échelles. Cette thèse analyse conjointement images SAR et sorties de modèles dynamiques régionaux à résolution kilométrique afin d’estimer des paramètres internes du champ de vent de surface, et de relier ces paramètres à la théorie asymétrique des variations d’intensité des cyclones. L’analyse des images SAR permet d’observer la structure interne instantanée et de la relier à l’intensité (et à ses variations) à cet instant, à travers l’utilisation de données de best-track. Des propriétés telles que la contraction du vortex et sa symétrie accrue avec l’intensité et durant les phases de ré-intensification sont ainsi observées. Le modèle permet lui de diagnostiquer les variations temporelles de la structure interne, reliant ainsi statistiquement la symétrisation ou la perturbation du champ de vent de surface aux variations d’intensité du cyclone, en cohérence avec les récentes théories sur les processus de restauration d’intensité. Dans une perspective d’amélioration de la prédictabilité de l’intensité des cyclones, une méthode originale de machine learning permet de mettre en valeur l’impact positif de l’inclusion de la haute résolution (en particulier quantifiant le mixage entre l’oeil et le mur de l’oeil et l’asymétrie de la distribution des vents maximum) sur la prédiction statistique des taux d’intensification.