La recherche de la désintégration double bêta sans neutrino (0νββ) est cruciale pour faire progresser notre compréhension de la physique et explorer la physique au-delà du modèle standard. Cependant, cette recherche est incroyablement difficile en raison de l'extrême rareté de la désintégration, qui nécessite une interprétation approfondie et une dépendance aux contraintes expérimentales et aux modèles nucléaires théoriques. L'expérience PandaX-III est dédiée à la recherche de 0νββ dans 136-Xe. Il s'agit d'une chambre de projection temporelle (TPC) gazeuse à haute pression équipée de détecteurs Micromegas. Ce choix a été fait pour maximiser la capacité de détection des traces de particules et minimiser les fluctuations statistiques dans la résolution énergétique. L'un des principaux défis de la recherche d'événements 0νββ est la discrimination entre le signal et les événements de bruit de fond, qui contaminent la région d'intérêt (ROI). Le système de lecture par pistes des détecteurs Micromegas (une combinaison de 52 détecteurs forme un plan de lecture) permet la reconstruction 2D précise des trajectoires d'ionisation avec les informations de charge et de temps. Cela permet d'étudier l'énergie et la topologie des trajectoires d'électrons et, en conséquence, de distinguer le signal du bruit de fond. Pour supprimer la scintillation et ne se baser que sur le signal d'ionisation, le 136-Xe gazeux enrichi à 90% est mélangé avec 1% de triméthylamine (TMA) qui joue le rôle de "quencher". La résolution énergétique actuelle de l'expérience PandaX-III est de 3% pour l'énergie de 2457 keV de la désintégration de 136-Xe 0νββ, et devrait être améliorée à 1%. Cependant, plusieurs facteurs peuvent dégrader la résolution en énergie, tels que la présence de canaux morts, les inhomogénéités de gain dans les détecteurs Micromegas ou l'attachement des électrons dans la TPC. Ce travail de doctorat présente une étude de l'impact des canaux manquants sur les reconstructions d'énergie et de topologie dans l'expérience PandaX-III. Les résultats de la détermination de la charge du blob n'offrent pas la possibilité souhaitée de reconstituer la partie de son énergie qui aurait été perdue en raison des canaux manquants dans XZ à partir des projections YZ des traces d'événements reconstruites et vice versa. Cependant, l'étude a montré qu'il est possible d'utiliser des algorithmes d'apprentissage automatique pour atténuer l'impact des canaux manquants sur ls reconstruction de l'énergie et de la topologie. Un modèle de réseau neuronal convolutif (CNN) a été développé pour prédire l'énergie réelle des électrons à partir des données simulées collectées par les Micromegas avec des canaux manquants. Les résultats finaux montrent que le modèle CNN prédit l'énergie réelle des événements enregistrés par les Micromegas avec des canaux manquants avec une grande efficacité. Nous observons une amélioration de l'efficacité de détection du signal de Monte Carlo dans la ROI, qui passe de 69% à 89% après l'application du modèle CNN, par rapport à l'approche directe consistant à additionner les amplitudes des signaux provenant des Micromegas dont les canaux sont manquants. Un autre modèle CNN a également été utilisé pour classer les événements à deux électrons des événements à un seul électron dans les données de Monte Carlo affectées par des canaux manquants. Le modèle est capable de rejeter 99% des événements de bruit de fond tout en conservant une efficacité de 26% pour les signaux 0νββ dans la ROI. Les résultats de ce travail sont prometteurs et ouvrent la voie à d'autres études visant à améliorer la résolution en énergie et le rejet du bruit de fond dans l'expérience PandaX-III.