La théorie des sondages rencontre de nouveaux champs d’application en relation avec les méthodes d’apprentissage ou Machine Learning, ainsi que les données massives ou Big Data. Le sujet principal de cette thèse est le traitement des données manquantes y compris par les méthodes d’apprentissage machine. Le traitement de la non-réponse est d’un intérêt pratique très important étant donnée la baisse constante du taux de réponse aux enquêtes depuis plusieurs décennies. En statistique d’enquête, on distingue la non réponse totale de la non réponse partielle. La première a lieu lorsqu’aucune information n’est utilisable pour une unité de l’échantillon alors que la seconde correspond au cas où seules quelques variables d’intérêt sont renseignées. La non réponse totale est généralement traitée par des procédures d’ajustement de poids. En revanche, la non réponse partielle est plutôt traitée par des méthodes d'imputation. Pondération et imputation partagent le même objectif : réduire le biais de non réponse et, si possible, limiter la variance de non réponse. Dans la première partie de ce travail de thèse, nous proposons une nouvelle méthode d’imputation préservant la corrélation entre les variables d’intérêt en deux étapes. La première étape consiste à obtenir des valeurs imputées initiales par la méthode de Shao et Wang. Ensuite les valeurs initiales sont modifiées de façon à respecter des contraintes de calages (basées sur des estimateurs MIVQUE des paramètres de modèle). La deuxième partie de cette thèse propose deux procédures d’imputation qui préservent la fonction de répartition en population finie quand les variables d’intérêt présentent un grand nombre de valeurs nulles. La dernière partie de cette thèse est consacrée à l’estimation des probabilités de réponse dans un contexte de pondération pour correction de la non réponse totale. Les probabilités de réponse peuvent être estimées par des méthodes paramétriques ou non paramétriques. Nous faisons une vaste étude par simulation pour comparer un grand nombre de méthodes d’estimation des probabilités de réponse par apprentissage supervisé, dans un cadre de population finie. Dans ces simulations, nous couvrons un large champ de méthodes paramétriques ou non, avec des règles de décisions simples ou agrégées telles que Random Forests et Boosting. Pour chaque méthode, ce sont les performances de l’estimateur par expansion et de l’estimateurs de Hajek d’un total qui sont mesurées en termes de biais relatif et d’efficacité relative.