L'objectif de ce travail est de concrétiser l'idée déjà ancienne que la description d'un signal non stationnaire par une base de décomposition est, en terme de lisibilité, d'autant meilleure que celle ci peut s'adapter aux évolutions du signal. Nous étudions dans un contexte unifié, qui repose sur la notion des bancs de filtres, les bases orthogonales dyadiques issues des Paquets d'Ondelettes de Malvar (POM), et des Paquets d'Ondelettes (PO). Les applications étudiées ont pour cadre les traitements des signaux acoustiques et plus particulièrement la segmentation en vue de la compression, la réduction de bruit et la reconnaissance de la parole. Le premier apport de cette thèse est de proposer des extensions des décompositions dyadiques en POM et en PO. Ces extensions, que nous appelons s-dyadiques, permettent d'éliminer les ruptures artificielles sur les contenus temporel et fréquentiel du signal qui sont inhérentes aux structures dyadiques. Elles offrent une plus grande liberté de choix des pavages temps-fréquence associés aux POM et aux PO. Nous proposons deux algorithmes basés sur des critères entropiques et énergétiques qui permettent de choisir les décompositions s-dyadiques adaptées. Le deuxième apport concerne une méthode originale de segmentation basée sur des critères entropiques et qui s'apparente à une analyse multirésolution de type POM à 2 niveaux. Le point commun de ces différentes approches est l'utilisation de critères issus de l'entropie de Shannon pour la sélection des bases adaptées. Pour la validation de ces approches, nous avons d'abord développé un algorithme de segmentation/compression des signaux de parole fondé sur les POM s-dyadiques. Cet algorithme offre des taux de compression plus élevés que ceux issus de la DCT, des transformées à recouvrement orthogonales uniformes et des POM dyadiques. Deuxièmement, nous avons effectué une comparaison montrant que les méthodes de réduction de bruit qui utilisent les représentations s-dyadiques adaptées en POM et en PO sont plus performantes que celles fondées sur la transformée en ondelettes discrète, les POM et les PO dyadiques. Enfin, nous avons montré que pour la segmentation des signaux de parole, les algorithmes issus des critères entropiques permettent d'effectuer une segmentation automatique en unités homogènes et sont robustes en présence du bruit. Ceci permet de les intégrer avantageusement dans un système de reconnaissance de parole bruitée.

This thesis aim is to bring up to date the well known hytothesis that non stationary signal description using decomposition basis is improved in terms of readability, if the decomposition is adaptable to signals variations. Starting with a unified representation based on filterbanks of orthogonal dyadic bases issued from MWP (Malvar Wavelet Packets) and WP (Wavelet Packets), we propose a new adaptive representation which we validate on a few acoustic signal processing applications. This works first contribution is an extension, called s-dyadic, to the dyadic MWP and WP decomposition. Contrarily to the latter, the s-dyadic decomposition does not introduce any artificial rupture, and offers a larger choice for the corresponding time-frequency tillings. We therefore propose two algorithms that use entropic criteria in order to choose the most suitable s-dyadic decompositions. The second contribution is a new segmentation method, based on entropic criteria, which is comparable to a two levels multiresolution analysis. Both approaches use criteria issued from Shannon's entropy for basis selection. In order to validate these methods, we first developped a segmentation and compression algortihm based on s-dyadic MWP which shows better performances than those issued from DCT, uniforml OLT (Orthogonal Lapped Transform) and dyadic MWP. We also performed a comparison showing that s-dyadic based noise reduction methods are most efficients than dyadic based ones. Applied to speech signals, entropic criteria automatic segmentation algorithm yields homogeneous