La détermination de la position d'objets connectés est devenue une fonctionnalité majeure pour une variété d'applications et de services dans le domaine de l'Internet des objets (IoT). Afin d'éviter une consommation d'énergie prohibitive et une complexité matérielle importante au niveau des nœuds IoT à localiser, une alternative au système conventionnel de positionnement global par satellites (GPS) consiste à faire usage, de manière opportuniste, de métriques radio dépendantes de la position, en s'appuyant en particulier sur les paquets de données qui peuvent être transmis par ces mêmes noeuds-capteurs à leurs stations de base de rattachement. Dans cette thèse, nous nous concentrons sur la puissance moyenne reçue, ou RSSI (Received Signal Strength Indicator), qui est une métrique disponible par défaut dans le cadre de communications à longue portée et à faible débit de données de type LoRa (Long Range), tout en ciblant une localisation basée sur la reconnaissance de signatures radio, ou fingerprinting, en termes d'application finale. Afin de positionner avec précision les nœuds LoRa à l'échelle d'une ville grâce via ces techniques de fingerprinting, il est nécessaire d'établir préalablement une carte RSSI suffisamment précise de l'environnement radio (hors ligne), généralement à partir de quelques mesures réelles collectées sur le terrain. Cette carte radio préalable est ensuite utilisée comme référence (pour comparaison) pendant la phase de localisation temps-réel (en ligne). L'objectif principal de ce travail est donc d'obtenir une carte préalable exhaustive et précise, à partir de mesures RSSI éparses et non-uniformément distribuées, en appliquant des approches avancées d'apprentissage automatique. Tout d'abord, nous discutons des principaux défis inhérents à la reconstruction de la carte radio elle-même, à la lumière de notre application spécifique de localisation. En particulier, à l'aide de limites théoriques caractérisant la meilleure précision de positionnement atteignable à partir de mesures RSSI dans le cas du fingerprinting (c.-à-d., en considérant une carte radio préalable) ou d'un positionnement paramétrique (c.-à-d., en considérant un modèle d'atténuation au niveau d'un lien radio, en fonction de la distance entre émetteur et récepteur), nous illustrons et discutons l'impact de la dynamique spatiale du RSSI (c.-à-d., en fonction de l'espace 2D) sur les performances finales de positionnement. En outre, nous décrivons et analysons les jeux de données expérimentales utilisés dans le cadre de notre étude, dont un jeu relatif à la zone urbaine de Grenoble, qui est actuellement encore en cours d'extension, tout en revenant sur quelques aspects métrologiques, ainsi que sur les premiers post-traitements appliqués. Ces données expérimentales ont été exploitées pour alimenter à la fois les modèles radio sous-jacents (avec des paramètres réalistes) et les algorithmes de reconstruction de cartes (avec des données d'entrée réalistes pour les étapes d'apprentissage, de validation et de test). Dans un deuxième temps, nous rappelons brièvement les principales idées qui sous-tendent les approches d'apprentissage supervisé et semi-supervisé, leurs principales hypothèses de travail, ainsi que leurs modèles classiques. En particulier, nous présentons une technique récente dite de Neural Architecture Search (NAS), qui permet de trouver automatiquement un modèle de réseau neuronal (NN) avec une architecture optimisée, adaptée à un problème donné. Nous appliquons ensuite ce NAS à notre problème spécifique de reconstruction de cartes RSSI, en combinaison avec des techniques d'augmentation de données, pour lesquelles seule une quantité limitée de données étiquetées en entrée est nécessaire pour réaliser l'apprentissage. Enfin, en tirant également profit de l'accès à des (méta-)informations secondaires concernant la zone locale de travail (par exemple, le plan de la ville, l'élévation du terrain, l'emplacement des stations de base, etc...), nous résolvons un problème de généralisation (c.-à-d., entre stations de base "apprises" et "non-apprises") pour chacune des villes testées. L'algorithme NAS est ensuite appliqué à nouveau afin de trouver le modèle NN présentant la meilleure architecture, en fonction de la quantité d'information secondaire disponible. A cette occasion, nous montrons par exemple que l'utilisation de vues supplémentaires en complément des mesures de puissance améliore la précision finale de la reconstruction de la carte RSSI, en particulier dans les sous-zones proches des stations de base, où des variations plus importantes de la puissance moyenne du signal reçu sont généralement observées (avec, en fin de compte, un impact positif présumément plus important en termes de performances de positionnement).