Ces dernières années, la compatibilité électromagnétique (CEM) dans les convertisseurs de puissance à semi-conducteurs à 'wide bandgap' (WBG) a suscité un intérêt croissant, en raison des vitesses de commutation élevées et des fréquences accrues qu’ils permettent. Si ces dispositifs améliorent la densité et l’efficacité des systèmes, ils engendrent également des émissions conduites et rayonnées plus complexes à maîtriser. Dans ce contexte, cette thèse porte sur la prédiction, la modélisation et la caractérisation des interférences électromagnétiques (EMI)(> 30 MHz), tant conduites que rayonnées, dans des systèmes électroniques de puissance opérant à haute fréquence. Elle s’appuie sur une méthode de découpage multi-sous-systèmes et une co-simulation itérative, combinée à une caractérisation in situ pour capturer les phénomènes non idéaux et non linéaires. En complément, des techniques deep learning sont utilisées pour modéliser le comportement EMI à partir de données mesurées et simulées. Generative AI est également exploitée pour générer automatiquement des configurations représentatives et variées que l’on peut rencontrer en électronique de puissance, permettant ainsi d’explorer efficacement un large spectre de scénarios EMI. Cette approche vise à renforcer la précision des analyses tout en accélérant les phases de simulation et de conception.