L’Internet des Objets (IdO) révolutionne notre mode de vie et les entreprises, notamment avec l’analyse en temps réel du trafic ou la surveillance de l’environnement depuis n’importe quel endroit sur Terre. Cependant, l’adoption de l’IdO reste difficile en raison des nombreux défis que comporte son déploiement. En effet, deux défis majeurs s’imposent à l’IdO : maximiser la durée de vie du réseau ainsi que garantir un niveau de sécurité élevé. Bien qu’il soit important de maximiser la durée de vie du réseau pour assurer un service continu, il est tout aussi important de sécuriser les réseaux IdO face aux différentes menaces. Cependant, l’utilisation de solutions de sécurité augmente les calculs effectués ce qui augmente la consommation d’énergie, réduisant ainsi la durée de vie du réseau. Ces défis étant ainsi opposés, il est nécessaire de trouver des compromis entre ces deux objectifs. Une première approche pour réduire l’impact de la sécurité pour l’IdO est d’utiliser des solutions considérant l’énergie limitée des appareils IdO. Cette approche est appelée sécurité économe en énergie et attire de plus en plus d’attention ces dernières années. La première partie de cette thèse présente une étude approfondie des récentes solutions de sécurité IdO économes en énergie. Nous analysons les différents mécanismes qu’elles utilisent pour réduire l’impact de la sécurité sur la consommation d’énergie des appareils, en passant par des techniques de gestion de l’énergie aux approches basées sur l’optimisation ou l’Intelligence Artificielle (IA). Nous discutons ensuite des différentes approches dans le domaine ainsi que de l’utilité des approches basées sur l’IA pour réduire la consommation d’énergie de la sécurité de l’IoT. L’étude précédente montre que la recharge sans-fil n’a pas été prise en compte parmi les techniques de gestion de l’énergie utilisées pour réduire l’impact des solutions de sécurité IdO. Les solutions de recharge sans-fil utilisent un ou plusieurs dispositifs de recharge qui se déplacent dans le réseau pour recharger les appareils. En outre, nous avons observé que les stratégies de recharge sans-fil existantes n’étaient pas sensibles au contexte ou capables de s’adapter à des changements critiques dans le réseau, tels qu’une attaque du réseau. Par conséquent, nous proposons comme seconde contribution une stratégie de recharge sensible au contexte où celui-ci est modélisé comme un niveau d’importance variable des appareils. L’approche proposée se base sur de la prédiction de contexte afin de déterminer l’importance des appareils. Ensuite, le problème de la recharge sensible au contexte est modélisé par un Processus de Décision Markovien (MDP en anglais) dont nous proposons la résolution via l’utilisation d’un algorithme d’Apprentissage par Renforcement Profond (DRL en anglais) qu’est le Deep-Q Learning. La stratégie de recharge sensible au contexte est ensuite modifiée pour résoudre le problème de la recharge sans-fil sensible aux menaces. Cette nouvelle stratégie considère le niveau de menace estimé à un moment donné dans le réseau IdO pour déterminer quel nœud consommera le plus d’énergie pour se défendre contre la menace détectée. Cette stratégie ne nécessite pas d’avoir à disposition des jeux de données ou des informations antérieures pour fonctionner. Cette stratégie, également basée sur le DRL, apprend des observations de l’environnement pour déterminer le nœud à charger à chaque action. Les résultats obtenus montrent que la considération du niveau de menace améliore la durée de vie du réseau comparé à des approches non-intelligentes ainsi qu’à une approche basée sur le Deep-Q learning qui n’a pas connaissance du niveau de menace.