Cette thèse intitulée "Développement d'approches en apprentissage profond pour extraire des informations à partir d'images satellites" intègre l'étude et l'analyse critique des performances des modèles de réseaux de neurones convolutionnels (CNN) et de réseaux de neurones récurrents (RNN), ainsi que le développement de nouveaux modèles CNN et RNN pour exploiter les informations spectrales et/ou spatiales et/ou temporelles présentes dans les images satellites pour des applications telles que la classification de la couverture terrestre, la surveillance et l'atténuation des catastrophes et la surveillance des cultures agricoles. L'objectif principal de cette thèse est de poursuivre ces études avec des images satellitaires unimodales ou multimodales. Une attention particulière au cours de ces études est de développer de nouveaux modèles de réseaux de neurones profonds (DNN) (terme commun pour les modèles basés sur CNN et RNN) qui peuvent atteindre une meilleure précision de classification et des performances de généralisation dans les scénarios de classe de couverture terrestre mixte.