La puissance des vagues a pour effet néfaste d’endommager les côtes et les ouvrages qui les protègent. Les réparations qui s’ensuivent sont très coûteuses. C’est pour cette raison que le déferlement des vagues est étudié depuis un siècle, dans le but de mieux comprendre ce phénomène complexe, d’améliorer les structures côtières et de mieux superviser ces ouvrages. Cependant, l’environnement hostile de l’océan a longtemps empêché de réaliser des mesures sur le terrain sur de longues périodes et notamment lors de tempêtes. De ce fait, beaucoup d’études ont été réalisées en laboratoire, permettant la compréhension de beaucoup de mécanismes. Toutefois, ces études ne représentent pas toujours la réalité. En effet, en laboratoire l’échelle est différente, les fluides utilisés sont différents, il n’y a pas de perturbations liées aux paramètres environnementaux (vent, courant, etc.) et le phénomène est en 2D alors qu’en cas réel il est en 3D. Il est donc nécessaire, afin d’avoir une meilleure compréhension des impacts de vagues sur les structures côtières, d’étudier ce phénomène sur le terrain à échelle réelle, là où les conditions ne sont pas configurables mais bien dépendantes de l’environnement. Le manque de données limite grandement les études possibles. Néanmoins, grâce à la technologie moderne, nous avons mis en place une station de mesure in-situ, sur la digue de l’Artha à Saint-Jean-de-Luz, en France. Nos recherches se basent sur le grand nombre de données enregistrées par cette station. Le premier résultat a été de mettre en place un algorithme permettant de détecter les impacts présents dans les signaux enregistrés. Ensuite, afin de caractériser ces impacts, différents critères ont été déterminés et sont calculés automatiquement. Ces critères ont été utilisées afin de prédire les pressions d’impact des vagues sur la digue de l’Artha grâce aux paramètres environnementaux locaux, en utilisant l’apprentissage automatique et plus spécifiquement les réseaux de neurones. Les facteurs environnementaux ne semblant pas suffisants, nous avons étudié les types d’impacts, qui jouent un rôle majeur dans la pression générée par une vague sur un mur. A cause des différences d’échelles de pressions et de temps, il n’a pas été possible de réaliser une classification reposant sur les caractéristiques des types d’impact établis en laboratoire. De ce fait, nous avons utilisé quatre algorithmes d’apprentissage non-supervisé, que nous avons comparé afin de réaliser un clustering des impacts de vagues. Deux algorithmes ont donné des résultats proches, un troisième a donné un résultat différent, et le dernier n’a pas fonctionné.