Les modèles d'apprentissage en profondeur peuvent aujourd'hui apprendre à une machine à réaliser un certain nombre de tâches, même avec une meilleure précision que les êtres humains. Parmi tous les modules d'une machine intelligente, la perception est la partie la plus essentielle sans laquelle tous les autres modules d'action ont des difficultés à réaliser en toute sécurité et avec précision la tâche cible dans des scènes complexes. Les systèmes de perception conventionnels sont basés sur des images RGB qui fournissent des informations de texture riches sur la scène 3D. Cependant, la qualité des images RGB dépend fortement des facteurs environnementaux, qui influencent davantage les performances des modèles d'apprentissage en profondeur. Par conséquent, dans cette thèse, nous visons à améliorer les performances et la robustesse des modèles RGB avec des indices de profondeur complémentaires en proposant de nouvelles conceptions de fusion RGB-D. Traditionnellement, la concaténation pixel par pixel avec addition et convolution est l'approche largement appliquée pour les conceptions de fusion RGB-D. Inspirés par le succès des modules d'attention dans les réseaux profonds, dans cette thèse, nous analysons et proposons différents modules d'attention sensibles à la profondeur et démontrons notre efficacité dans des tâches de segmentation de base telles que la détection de saillance et la segmentation sémantique. Tout d'abord, nous tirons parti des indices géométriques et proposons un nouveau canal d'attention en profondeur. Nous fusionnons les détails fins et les indices sémantiques pour limiter l'attention du canal dans diverses régions locales, améliorant ainsi la discriminabilité du modèle lors de l'extraction des caractéristiques. Deuxièmement, nous étudions le décalage adapté à la profondeur qui sert d'attention spatiale locale mais déformable pour la convolution. Notre approche oblige les réseaux à prendre en compte des pixels plus pertinents à l'aide de la profondeur a priori. Troisièmement, nous améliorons la prise de conscience contextualisée au sein de la fusion RGB-D en tirant parti de l'attention des transformateurs. Nous montrons que l'attention du transformateur peut améliorer la robustesse du modèle contre le désalignement des caractéristiques. Enfin, nous nous concentrons sur l'architecture de fusion en proposant une conception de fusion adaptative. Nous apprenons le compromis entre la fusion précoce et tardive en ce qui concerne la qualité de la profondeur, ce qui donne une manière plus robuste de fusionner les signaux RGB-D pour les réseaux profonds. Des comparaisons approfondies sur les benchmarks de référence valident l'efficacité de nos méthodes proposées par rapport à d'autres alternatives de fusion.