L’objet de cette thèse est l’étude des méthodes d'apprentissage par renforcement en vue de son application à la navigation d’un robot mobile autonome. Après une présentation des méthodes d’apprentissage développées depuis les débuts de la Cybernétique jusqu’à aujourd'hui en Intelligence Artificielle, nous présentons les fondements mathématiques de l'apprentissage par renforcement que sont la théorie des automates d’apprentissage et la Programmation Dynamique en temps réel. Les chapitres suivants sont consacrés au problème de la navigation d’un robot mobile autonome évoluant dans un environnement qui lui est inconnu. Pour répondre à ce problème, nous proposons d’utiliser différents algorithmes d’apprentissage par renforcement issus, soit des automates d'apprentissage, soit du Q-learning. Les performances de ces algorithmes sont ensuite comparées à partir d'expérimentations menées sur un système non-holonome. Enfin, le dernier chapitre propose une extension originale de ce type d’apprentissage dans le but de construire une carte représentant la topologie de l'environnement dans lequel le robot évolue. This thesis studies the application of reinforcement learning methods to the autonomous mobile robots navigation problem. After a presentation of the learning methods which have been developped from the begin- ning of cybernetics to the current state-of-the-art in artificial intelligence, we present the mathematical foundations of reinforcement learning, i.e. learning automata theory and real time dynamic programming. The following chapters are devoted to the problem of navigation for an autonomous mobile robot in an unknown environment. To solve this problem, several algorithms based on learning automata or on Q-learning are proposed. The performance of these algorithms are compared on the basis of simulation results for a robot with nonholonomic constraints. The last chapter presents an original extension of this kind of learning for the construction of a topological map of the robot’s environment.