Les problèmes de démélange aveugle et semi-aveugle sont des problèmes inverses classiques et omniprésents dans un très large éventail de domaines scientifiques allant du traitement du son, du traitement du signal médical à la télédétection ou à l'astrophysique. Dans ces domaines, le développement rapide de capteurs multispectraux haute résolution/haute sensibilité impose le développement d'outils d'analyse dédiés. Pour ce type de données, les observations peuvent être modélisées comme la combinaison linéaire ou non linéaire de diverses composantes physiques élémentaires, qui doivent être récupérées par l'astrophysicien. Cependant, les méthodes de l'état de l'art souffrent de deux goulots d'étranglement majeurs lorsqu'elles sont confrontées aux applications du monde réel : i) la capacité de récupérer des solutions physiquement interprétables, ii) leur coût de calcul élevé, qui limite largement leur applicabilité. À cette fin, l'objectif de ce travail est d'étudier de nouvelles approches, basées sur l'apprentissage automatique, pour aborder le problème du démélange aveugle et semi-aveugle (lorsque l'on n'a accès à aucune ou seulement à une connaissance partielle des composants à restaurer). Plus précisément, nous avons introduit un nouvel algorithme basé sur des techniques de déroulage pour aborder le démélange supervisé. Nous avons montré que les techniques de déroulage permettent de prendre en compte des informations d'ordre physique pour démélanger les données, ce qui conduit à des solutions plus pertinentes d'un point de vue physique à un coût de calcul très faible. L'objectif est ensuite de généraliser ces travaux antérieurs aux cas plus difficiles de l'aveugle/semi-aveugle, ce qui nécessitera de revoir l'architecture du modèle ainsi que son optimisation. Les résultats seront testés et validés avec des données astrophysiques de rayons X (par exemple Chandra) ainsi que des simulations d'ondes gravitationnelles en préparation de LISA.