Cette thèse explore l’optimisation conjointe de l’intelligence artificielle embarquée et de la connectivité cellulaire pour les drones autonomes opérant en environnement réel. À l’intersection des réseaux 4G/5G, de l’IA de fondation (LLMs multimodaux) et de l’embarqué, elle propose des architectures hybrides alliant traitements locaux, edge et cloud, capables de s’adapter dynamiquement aux conditions réseau rencontrées en vol. Trois axes structurent ce travail. Le premier étudie les stratégies d’orchestration des modèles IA embarqués pour des tâches de perception visuelle, comparant architectures enchaînées et modèles composites. Le second propose une modélisation empirique de la connectivité cellulaire en vol, intégrant un score multi-opérateur embarquable permettant de prédire la qualité du lien. Le troisième axe évalue différents scénarios d’inférence (local, edge, cloud) dans un cas d’usage critique — la détection de départs de feu — en tenant compte des contraintes de latence, d’énergie, et de robustesse. Les résultats obtenus démontrent l’intérêt de coupler modélisation réseau et intelligence artificielle pour améliorer la résilience, la performance et l’autonomie des drones intelligents. La thèse met en lumière les compromis nécessaires entre précision, coût énergétique et stabilité du lien, et propose une approche de co-optimisation opérationnelle novatrice. Les contributions incluent plusieurs publications scientifiques et un brevet relatif à la gestion dynamique de la connectivité multi-opérateur.