Cette thèse s'intéresse à la sélection des variables explicatives dans un modèle de régression, lorsque la forme de la régression et la distribution des variables sont inconnues. Un cadre théorique de la sélection de régresseurs est défini, permettant de discriminer entre différents ensembles de régresseurs, qu'ils soient emboîtés, imbriqués ou strictement non-emboîtés. La discrimination s'opère suivant l'erreur quadratique moyenne entre la régression et la variable expliquée, considérée soit localement pour des valeurs particulières des variables explicatives, soit globalement sur l'ensemble des valeurs possibles. Des critères d'évaluation des modèles sont proposés dans ces deux cas. Ils sont basés sur l'estimation fonctionnelle de la régression par la méthode du noyau. Une formule de décomposition non-paramétrique de la variance empirique est obtenue. Dans le cas de la sélection globale, les différents critères d'évaluation proposés ont une vitesse de convergence paramétrique et sont efficaces. Des procédures de tests d'hypothèse pour la sélection de régresseurs sont construits à partir de ces critères. Ces procédures sont directionnelles et convergentes contre toute alternative, et sont applicables lorsque les régression sont non-emboîtées, dans un sens défini précisément.