Le sujet de cette thèse porte sur laréduction d'ordre de modèle (MOR) deproblèmes d'écoulement non-Newtonianparamétrés qui ont des applicationsindustrielles importantes. Les méthodestraditionnelles de réduction de l'ordre desmodèles limitent les performances decalcul de ces problèmes hautement nonlinéaires, nous suggérons donc une techniqued'hyper-réduction avancée basée sur uneapproximation sparse de l'évaluation destermes non linéaire à complexité reduite.Nous proposons également une stratégie destabilisation hors ligne pour stabiliser le modèleconstitutif dans le modèle d'ordre réduit quiest moins cher à calculer tout en maintenant laprécision du modèle d'ordre complet. Lacombinaison des deux réduit drastiquement lecoût du processeur, augmentantinévitablement les performances du MOR. Cetravail est validé sur deux problèmes debenchmark. En outre, une stratégied'échantillonnage adaptatif est égalementprésentée dans ce manuscrit, qui est réaliséeen tirant parti de l'approximation des modèlesmulti-fidélité. Vers la fin de la thèse, nousabordons un autre problème qui estgénéralement observé dans les cas où desmaillages d'éléments finis adaptatifs sontdéployés. Dans de tels cas, les méthodes MORne parviennent pas à produire unereprésentation de faible dimension car lessnapshots ne sont pas des vecteurs de mêmelongueur. Par conséquent, nous suggérons uneméthodologie qui peut générer des fonctionsde base réduites pour des snapshotsadaptative.