Cette thèse s'inscrit dans le cadre du projet européen Digi-NewB dont l'objectif principal était de développer un nouveau système de surveillance des grands prématurés. Le projet a impliqué des partenaires de quatre pays et a permis de collecter des données cliniques, des signaux physiologiques, des données vidéo et des pleurs de bébés dans six hôpitaux en France. L'objectif plus spécifique de ce travail était de proposer des systèmes d'aide à la décision (DSS) basés sur des modèles d'apprentissage automatique pour le diagnostic précoce de l’infection tardive (LOS) et pour l'évaluation de la maturation des prématurés. Parmi les différentes données acquises dans le cadre du projet, nous nous sommes concentrés sur la variabilité de la fréquence cardiaque (HRV), la variabilité de la fréquence respiratoire (RRV) et les données de bradycardie. Les principales contributions de ce travail ont été : (i) l’intérêt des indices mesurés sur les graphes de visibilité caractérisant la HRV pour la détection du LOS; (ii) la proposition d’un réseau neuronal récurent performant pour le diagnostic précoce du LOS fondé sur les paramètres de la HRV ; (iii) l’introduction d’un modèle d'apprentissage ensembliste pour le suivi de la maturation des enfants prématurés à partir de la HRV, de la RRV ou des bradycardies ; (iv) la preuve de concept de ce modèle sur une population comprenant des enfants prématurés avec une maturation normale et anormale. Il importe aussi de souligner que tous ces développements ont été effectués dans un souci d’exploitation en temps réel et que la preuve de faisabilité que cela soit pour le LOS ou la maturation a été effectuée en unité de soins intensifs néonatale.