À la fin des années 90, l’utilisation des supernovæ de type Ia (SNe Ia) comme indicateurs de distance a permis la découverte de l’accélération de l’expansion de l’Univers. L’origine de ce fait observationnel est encore mal comprise. Elle est attribuée soit à l’action d’un fluide répulsif de nature inconnue appelé Énergie Noire, soit au fait que la relativité générale est incorrecte aux échelles cosmologiques. La communauté a lancé un programme observationnel ambitieux pour cerner la nature de l’énergie noire qui culminera dans les années 2020, avec quatre relevés dédiés (deux au sol et deux menés depuis l’espace). Le diagramme de Hubble des SNe Ia est un élément majeur de ce programme, la relation distance de luminosité vs. redshift étant particulièrement sensible à l’équation d’état de l’énergie noire w = p/ρ. Actuellement, w est mesuré avec une précision de quelques pourcents. La prochaine génération de relevés produira plusieurs dizaines de milliers de SNe, ce qui permettra d’atteindre une précision de l’ordre du pourcent et de détecter une éventuelle variabilité de w avec le redshift. Ce résultat est atteignable, d’abord grâce à l’augmentation de la taille des échantillons de SNe Ia et de la qualité de leur suivi mais aussi grâce au contrôle fin des systématiques d’analyses, via le développement d’outils de plus en plus efficaces. Un outil indispensable pour mesurer des distances aux SNe Ia est un modèle empirique spectrophotométrique de l’évolution de leur flux. Il a pour but d’inférer, à partir des courbes de lumière mesurées dans notre référentiel, le flux de chaque supernova dans son référentiel propre. Un second but est la mesure d’observables de standardisation corrélées à la luminosité absolue des SNe. L’exploitation de ces corrélations permet de réduire la dispersion des résidus du diagramme de Hubble. Le principal modèle actuellement utilisé par la communauté est le modèle SALT2 (Spectral Adaptative Light curve Template 2 ). Le modèle est construit empiriquement, il est entraı̂né sur des données de bonne qualité, constituant le lot d’entraı̂nement. Les lots d’entraı̂nements actuels contiennent de l’ordre de mille SNe. Cependant, avec l’avènement des futurs relevés de SNe, le nombre d’objet va augmenter d’un à deux ordres de grandeur. Durant cette thèse nous avons développé une nouvelle génération de modèle spectrophotométrique, appelée NaCl pour Nouveaux algorithmes de Courbes de lumière. Nous sommes repartis de la paramétrisation de SALT2. Nous avons développé un code d’entraı̂nement rapide, écrit dans un langage de programmation moderne (python3), permettant un entraı̂nement sur des dizaines de milliers de SNe en un temps raisonnable. La procédure de minimisation permet une propagation directe des incertitudes affectant les mesures et le modèle, notamment les incertitudes de calibration photométrique de chaque relevé. Les biais et l’efficacité de la méthode ont été étudiés et caractérisés. Nous avons pris soin de séparer la procédure de minimisation et la modélisation du flux des SNe, afin de pouvoir facilement revisiter la paramétrisation de SALT2, et rendre possible l’implémentation de modèles alternatifs.