Le système de réception de signaux Global Navigation Satellite System (GNSS) présente une vulnérabilité face au phénomène de multitrajet. Événement fréquent en milieu urbain, il peut mener à une forte détérioration des performances de positionnement du récepteur. Malgré le développement de nombreuses techniques à des fins de détection ou de réduction de ses effets comme le Fast Iterative Maximum-Likelihood Algorithm (FIMLA) ou les filtres particulaires, la diminution de l'impact du multitrajet au sein d'un récepteur GNSS reste un objectif difficile à atteindre. Dans cette thèse, nous nous proposons d'appliquer un algorithme de Machine Learning pour éliminer la composante du multitrajet par l'estimation de quatre paramètres déterminants : son retard, sa fréquence Doppler, son amplitude et sa phase. Nous utiliserons des données sous forme d'images labellisées. Ces images sont les représentations des canaux I et Q aux sorties du corrélateur. Les signaux seront synthétiques et les multitrajets générés selon deux protocoles différents : aléatoirement ou collectés à partir d'un simulateur de propagation de signaux GNSS, capable de reproduire des situations propices aux multitrajets (ex : simulation de réception dans un canyon urbain). Les informations sur le signal et sa réplique parasite sont réparties parmi les images I et Q des sorties de corrélateur construites par un générateur de sorties de corrélateur. Le nombre de sorties calculées par le générateur est flexible afin de générer différentes résolutions d'images. Dans le but d'effectuer la tâche de régression des paramètres de multitrajets sur les images I et Q, complexe par l'aspect multicanal du problème, nous utiliserons des réseaux de neurones à convolution ou Convolutional Neural Network (CNN). Utilisés à maintes reprises sur des problèmes de classification, ils sont devenus une référence dans l'analyse d'images via des algorithmes de Machine Learning. Malgré une utilisation moins démocratisée en régression, ils montrent pourtant de bonnes capacités d'estimation comme pour l'estimation d'âge ou l'estimation de positions d'un corps dans un espace 3D. Ici, nous introduisons un nouveau modèle de réseau de neurones à convolution combinant la capacité d'extraction automatique des points d'intérêts hautement informatifs par les couches de convolution et une technique de soft labelling améliorant la robustesse du CNN lors de son étape de généralisation. L'idée du soft labelling est de diminuer la confiance de l'algorithme envers les labels afin de rendre la tâche de régression plus aisée, étant complexe pour des données sous forme d'images. Les labels sont alors vus comme des distributions de probabilités d'espérances égales aux labels. Inspirés de travaux antérieurs effectués par Imani et al. (2018), nous utilisons une fonction perte spécifiquement adaptée à la mesure de dissimilarités entre les nouveaux labels et leur prédiction avec la divergence de Kullback-Leibler. Le nouveau modèle de CNN a été testé sur différents datasets d'images présentant différents niveaux de bruits et différentes tailles d'images afin de tester les qualités d'estimation de l'algorithme ainsi que sa robustesse. Les résultats montrent dans toutes les conditions testées une claire amélioration de la précision d'estimation par CNN avec la méthode de soft labelling par rapport à une régression " classique " effectuée sur une variable continue. De plus, le gain de performances apporté par la méthode de soft labelling par distribution (Distribution loss) permet de travailler avec des tailles d'images en entrée réduites de 80×80 à 20×20 pixels.