Cette thèse se concentre sur le sujet de l'estimation robuste. Les approches d'estimation paramétrique traditionnelles supposent que toutes les données sont générées par une distribution de probabilité spécifique. Cependant, les jeux de données du monde réel contiennent souvent des valeurs aberrantes ou des contaminations qui violent cette hypothèse, ce qui conduit à des estimations de paramètres biaisées et/ou inefficaces. La statistique robuste propose une approche qui produit des estimations moins sensibles aux valeurs aberrantes ou aux contaminations. Cette thèse explore l'utilisation de M-estimation, une technique d'estimation robuste populaire, dans le contexte des modèles de régression, y compris la régression multinomiale, et propose de estimateurs robustes pour ce modèle particulier. De plus, la thèse examine le choix du paramètre de réglage dans le contexte de M-estimation robuste pour trois modèles de régression : la régression linéaire, la régression logistique et la régression multinomiale. À travers des études de simulation et des analyses de données réelles, la thèse démontre la supériorité des méthodes d'estimation robustes proposées et fournit des indications pour sélectionner la méthode de réglage la plus appropriée pour des contextes spécifiques. Dans l'ensemble, cette thèse apporte une contribution précieuse au domaine de la statistique robuste et peut aider les chercheurs à choisir des techniques adaptées à leurs analyses.