La dégradation forestière englobe tout ce qui peut abîmer et fragiliser la forêt : coupes sélectives pour les bois rares, incendies, sécheresse, etc. La dégradation des forêts est subtile et moins visible que la déforestation. Pourtant, les forêts dégradées sont, à terme, vouées à disparaître. En outre, la dégradation des forêts est une préoccupation majeure, car le potentiel de séquestration du carbone est alors réduit. C'est un biais important dans les bilans carbone des pays qui ne tiennent généralement pas compte de la dégradation forestière. Le présent travail de thèse vise à évaluer le potentiel des images satellites Sentinel-2, de l'Agence Spatiale Européenne, pour la détection des forêts dégradées en Guinée, Afrique de l'Ouest. Outre la fragmentation des forêts causée par le changement d'utilisation des terres, le principal processus de dégradation observé y est la coupe sélective, en particulier dans le massif de Ziama, pourtant classé comme réserve de biosphère par l'UNESCO. Généralement, l'identification des forêts dégradées par satellite nécessite des coûts importants en termes de main d'œuvre et d'expertise de photo-interprétation, car la délimitation des forêts dégradées est manuelle. La première partie de la thèse est consacrée à l'amélioration de la méthode de photo-interprétation des forêts dégradées. Nos résultats témoignent de l'apport majeur de Sentinel-2 grâce à sa large gamme de réflectances qui couvre le moyen infrarouge et qui a montré une considérable amélioration de la séparabilité de la forêt dense et de la forêt dégradée. Ensuite, grâce à sa résolution temporelle qui permet de valider l'état de dégradation forestière. Les valeurs radiométriques d'images Sentinel-2 acquises de 2015 à 2020 ont été analysées au regard d'observations au sol réalisées avec un forestier local lors d'une campagne terrain en Guinée en 2019. Nos résultats montrent que les indices liés à l'humidité (teneur en eau de la canopée [CWC], indice de stress hydrique [MSI]), associés à l'indice de surface foliaire (LAI) extrait des données Sentinel-2, sont fortement liés au degré de dégradation. En utilisant les séries temporelles des mesures LAI, MSI et CWC comme données d'entrée, une méthode de classification 'Random forest' a été développée, différant des méthodes existantes par l'inclusion des valeurs des pixels voisins dans l'algorithme afin d'imiter la reconnaissance visuelle de forêts dégradées par un opérateur humain. L'inclusion du contexte montre de meilleurs scores de précision et les résultats de cartographie ont été validés par les observations de terrain. La photo-interprétation de seulement 1,6 % de la surface d'une image pour l'entraînement du modèle a permis d'atteindre une précision globale de 89,6 %, ce qui correspond à une nette avancée par rapport aux méthodes existantes. Enfin, une autre méthode contextuelle a été explorée grâce aux des techniques d'apprentissage profond. Il s'agissait d'évaluer si les réseaux neuronaux convolutifs (CNN) peuvent tout autant améliorer la détection des forêts dégradées et supprimer le besoin de réentrainement. Nous avons identifié le manque de données labellisées comme obstacle majeur pour l'entraînement des modèles CNN et élargi les données d'entraînement en photo-interprétant une série d'images entre 2015 et 2020. Nous avons comparé 3 modèles CNN et évalué leur performance pour la détection des forêts dégradées. Le résultat de l'étude est la création d'un modèle qui atteint 93% de précision. Cette méthode est transférable et peut s'appliquer d'une année à une autre et d'un massif guinéen à un autre. Validée de façon indépendante par des experts en occupation du sol, la méthode ne requiert ainsi pas de photo-interprétation de nouvelles images en 2021. Cette thèse présente une base solide pour les opérateurs responsables de la production des cartographies nationales et une production de cartes plus rapide et moins coûteuse à partir d'images satellites gratuites et accessibles