Cette thèse vise à développer une approche pour une évaluation efficace et précise de la fiabilité du jacket des éoliennes offshore. Le jacket d'une éolienne offshore est soumis à diverses incertitudes. L’analyse de la fiabilité de la fondation du jacket est généralement effectuée en utilisant des approches d'approximation traditionnelles (par exemple FORM/SORM) ou la méthode des simulations de Monte Carlo. La modélisation mécanique du jacket d'une éolienne offshore nécessite généralement des modèles de simulations complexes et une analyse dynamique très couteuse en temps de calcul. L’utilisation des méthodes traditionnelles (FORM/SORM, simulations de Monte Carlo, etc.) pour l'analyse de fiabilité de ces structures peut être inadaptée. En effet, les méthodes d'approximation souffrent souvent de problèmes de convergence numérique surtout lorsque l'analyse dynamique des structures est impliquée, voire de précision lorsque le problème contient plusieurs points de défaillance. Les méthodes de simulations de Monte Carlo sont robustes, toutefois elles sont très coûteuses en temps de calcul et elles sont impraticables pour calculer des faibles probabilités de défaillance. La première partie de cette thèse vise la comparaison de trois approches de simulation des charges utilisées pour l'analyse dynamique des structures d'éoliennes offshore. Les approches étudiées sont respectivement la méthode non couplée, l'approche séquentielle et l'approche entièrement couplée. Ensuite, deux modèles numériques du jacket sont développés afin d'étudier l'influence des techniques de modélisation du jacket. Le premier modèle utilise des éléments de poutre de Timoshenko pour l'ensemble des éléments du jacket. Le deuxième modèle utilise une modélisation avancée à l'aide de la technique des super-éléments. Les éléments du jacket sont modélisés par des éléments de poutre et les assemblages entre ces éléments sont modélisés à l'aide des éléments de coque. Des comparaisons entre ces deux modèles sont également effectuées. La comparaison des approches de simulation des charges a montré que les résultats de l'approche séquentielle sont pour la plupart en bon accord avec ceux de l'approche entièrement couplée. L’approche non couplée peut conduire à des erreurs importantes dans les réponses extrêmes de l'analyse dynamique. En outre, pour la comparaison entre les deux modèles du jacket, nous constatons que les réponses du modèle du jacket à super-éléments sont différentes de celles du modèle de poutre, en particulier pour les déplacements du jacket. La deuxième partie de ce travail de thèse propose deux approches d'apprentissage actif pour l'évaluation de la fiabilité basée sur des modèles de substitution d'ensemble. Les modèles de krigeage (kriging) et les réseaux de neurones artificiels (ANN : Artificiel Neural Network) sont combinés pour constituer le modèle de substitution d'ensemble. L’efficacité et la précision des approches proposées sont dé­montrées par 4 exemples académiques et le modèle de poutre du jacket. Les résultats de l'analyse de fiabilité des exemples traités en utilisant les modèles de substitution d'ensemble avec les approches proposées d'apprentissage actif montrent l'efficacité et la robustesse de ces méthodes. D'ailleurs, même pour des problèmes de grande dimension et d'événement rare (probabilité de défaillance très très faible), ces approches montrent des performances numériques remarquables par rapport au modèle de substitution unique avec des approches d'apprentissage actif (par exemple AK-MCS). La dernière partie de cette thèse est dédiée à l’analyse de fiabilité système défini par plusieurs fonctions de performances. Une nouvelle fonction d’apprentissage composite est proposée pour le krigeage basé sur l’apprentissage actif avec la fonction U. Le modèle de krigeage à apprentissage actif avec la fonction d’apprentissage dite H est également adapté à l’analyse de fiabilité système...