Ces dernières années ont vu l’attrait des drones croître exponentiellement grâce à leur facilité de construction et leur grande efficacité en vol. Cette technologie, ainsi que ses applications, ne cessent d’évoluer depuis. La réalisation d’autopilotes efficaces est ainsi une source de recherche très active. En effet, le drone doit être capable de réagir à de nombreuses sources de perturbations possibles. Avec les succès récents de l’intelligence artificielle dans de nombreux domaines, la réalisation de tels algorithmes de vol prend une toute nouvelle dimension, permettant ainsi une meilleure intégration de ces perturbations.L’objectif de cette thèse consiste en la réalisation d’algorithmes d’autopilote intelligent de drones, en particulier pour des quadrirotors. L’idée principale de ces travaux est de mixer les approches standards de contrôle et les méthodes d’apprentissages pour améliorer l'efficacité et la performance des vols de drone quadrirotors. Cette amélioration passe par l’apprentissage des différentes perturbations externes ou internes que le système subit en vol. Elles sont ensuite estimées et compensées dans la commande. Par ailleurs, l’objectif est de proposer des algorithmes d’apprentissage facilement implémentables sur des contrôleurs standard de drone.La première solution proposée est basée sur le couplage d’un réseau de neurones profond et d’une architecture de PID en cascade. Le réseau de neurones a pour objectif d’apprendre les erreurs à un modèle linéaire du quadrirotor. Ce modèle linéaire est utilisé pour l'établissement des performances désirées. Ces erreurs contiennent les effets non pris en compte dans le contrôleur initial, les erreurs de linéarisation, mais également les erreurs liées aux perturbations externes. Une fois l'apprentissage fait et intégré au contrôleur de vol, le comportement du quadrirotor se rapproche du comportement initialement désiré.Cette approche est ensuite améliorée afin de proposer une solution en ligne, basée sur événements. Elle tente d'améliorer deux aspects de la précédente : les conditions de stabilité limitées et l'apprentissage hors ligne du réseau de neurones. Elle repose sur des critères de performance et de stabilité du système en boucle fermée. La solution proposée se base sur une succession de collecte et d’apprentissage en vol, pour améliorer l'efficacité du vol en continu. Enfin, le cas du transport de charge suspendue inconnue est abordée. Cette tâche génère des perturbations internes importantes complexe à maîtriser. Ainsi, un algorithme de linéarisation du système non-linéaire, assisté par un réseau de neurones fenêtré, est proposé pour réaliser cette mission. L'algorithme proposé permet un suivi de trajectoire amélioré et moins oscillants lors du transport de la charge suspendue.Tous les contrôleurs proposés sont validés en simulation et testés expérimentalement dans la plateforme expérimentale de motion capture du GIPSA-lab.