Le changement climatique et l'augmentation de la population mondiale exercent une pression sur les ressources naturelles afin de satisfaire les besoins alimentaires mondiaux. Pour répondre à la demande alimentaire croissante, l'intensification de l'agriculture est principalement basée sur l'augmentation de l'utilisation des ressources, en particulier de l'eau. L'irrigation est la principale source de consommation d'eau douce. Connaitre l'étendue des zones irriguées et la fréquence d'irrigation permettra d’aider les principaux acteurs à adapter les futures politiques concernant la gestion des ressources en eau. L'objectif de ce travail de recherche est de développer des approches capables de cartographier l'étendue spatiale des zones irriguées et de détecter les épisodes d'irrigation à l'échelle de la parcelle en utilisant la télédétection optique et radar. La première partie de cette thèse se concentre sur l'évaluation du produit d'estimation de l'humidité du sol S2MP (Sentinel-1/2 Soil Moisture Product) récemment développé à l'INRAE-TETIS. Le produit S2MP a été évalué en comparant l’humidité estimée aux enregistrements de précipitations, aux mesures in situ de l'humidité du sol et au nouveau produit de l’estimation d’humidité du sol fournit par Copernicus sur une large région du sud de la France (région Occitanie). Les résultats ont montré une bonne précision du produit S2MP à l'échelle de la parcelle (RMSE = 4.0 vol.%). De plus, le S2MP montrait une meilleure précision que le produit Copernicus. En outre, les résultats ont montré une grande cohérence entre les estimations de l'humidité du sol du S2MP à l'échelle d’une grille de 10 km x 10 km et les précipitations enregistrées. Le produit S2MP sur des grilles de 10 km x 10 km a été utilisé par la suite dans la cartographie de l'irrigation pour distinguer les événements d'irrigation des événements de précipitation. La deuxième partie de la thèse présente des approches de classification supervisée pour la cartographie de l'irrigation à l'échelle de la parcelle. Les approches de classification sont basées sur l'utilisation des séries temporelles d’images radar Sentinel-1 (S1) et optique Sentinel-2 (S2). Sur une région semi-aride en Catalogne (Espagne), les résultats montrent que les zones irriguées sont cartographiées en utilisant les données S1 et S2 avec une précision de classification entre 89% et 94% selon le modèle d'apprentissage automatique utilisé. Ensuite, j’ai proposé un cadre d'apprentissage profond capable d'adapter le modèle d'irrigation construit sur le site de la Catalogne pour cartographier l'irrigation sur le bassin Adour-Amont de l'Occitanie (zone humide). La dernière partie de la thèse montre le potentiel de Sentinel-1, Sentinel-2 et S2MP pour la détection des événements d'irrigation à l'échelle de la parcelle. Elle présente également une méthodologie opérationnelle pour cartographier des zones irriguées. Dans ce contexte, j’ai développé en premier temps un modèle de détection d'événements d'irrigation (IEDM) en temps quasi-réel à l'échelle de la parcelle, capable d'identifier les événements d'irrigation existants sur les parcelles agricoles. La validation de l'IEDM avec des données in situ a montré que les événements d'irrigation sont détectés avec une précision de 75%. Enfin, j’ai proposé une méthodologie opérationnelle pour cartographier les zones irriguées à l'échelle de la parcelle sans l’utilisation de données de terrain car l’approche est basée sur une collecte automatique des données d’entrainement sans l’aide de données in situ. Elle était testée sur un site d'étude situé à Orléans (centre-nord de la France) pendant quatre années différentes. Les principaux résultats montrent que le cadre opérationnel proposé offre une très bonne précision pour la cartographie de l'irrigation (entre 72% et 94%).