Les données sur la mobilité jouent un rôle crucial dans la recherche sur le comportement des voyageurs et la prévision de la demande. Le recours exclusif aux techniques de collecte de données conventionnelles, à savoir entretien individuel, entretien téléphonique / Web / personnel assisté par ordinateur, sondage postal et courrier électronique présente de nombreux inconvénients, notamment une lourde charge pour les répondants, d'où un taux de réponse faible, description de la mobilité sur une seule journée par personne, manque de fiabilité en raison des limites de la mémoire humaine, coût élevé vue la nécessité d'un travail intensif, écart important entre les enquêtes périodiques sur la mobilité des ménages, sans oublier les difficultés à combiner et à harmoniser les données des enquêtes dans différents pays ou régions. L'utilisation maintenant sans contrainte du système de positionnement global (GPS) a ouvert de grandes possibilités pour améliorer la qualité de ces données. Les journaux relevés GPS sont objectifs, nombreux abondants, continus, détaillés et précis d'un point de vue spatio-temporel. Cependant, les informations de positionnement en elles-mêmes ne sont pas éligibles suffisantes pour l'analyse de la mobilité en raison de l'absence de caractéristiques des déplacements. Cette lacune a entraîné un développement substantiel de deux nouveaux domaines de recherche: l'imputation des modes de transport déplacement et du motif du voyage à partir des données GPS, respectivement. À l'heure actuelle, les téléphones intelligents sont les appareils privilégiés pour collecter les traces GPS et la description des déplacements correspondants. La détection du mode et du motif est une étape essentielle avant de procéder à une analyse du comportement de déplacement (choix du mode ou temps passé dans les activités, par exemple). En ce sens, les performances des algorithmes d'inférence du mode et du motif déterminent le potentiel de l'utilisation d'enquêtes basées sur GPS en tant que complément, voire même alternative complète aux techniques conventionnelles. Dans la littérature, il existe trois lacunes dans la recherche concernant les algorithmes d'imputation et pour les enquêtes assistées par GPS. La première provient du fait que, jusqu'à présent, les enquêtes GPS ont été menées essentiellement dans les zones urbaines des pays développés et parfois aussi en Chine. Par conséquent, l'utilisation du GPS dans les enquêtes sur la mobilité dans les villes des pays en développement reste à développer. La seconde et la troisième lacunes sont les conséquences de cette première limitation. La liste des modes de détection comprend la marche, le vélo, le transport en commun et la voiture, mais pas la moto, l'un des principaux moyens utilisés dans les pays émergents. Enfin, les imputations ont été mises en oeuvre très fréquemment avec le support des Systèmes d'Information Géographique (SIG); Cependant, les données SIG ne sont pas partout disponibles et d'une qualité suffisante. L'absence de solutions raisonnables pour imputer les caractéristiques des déplacements à partir des données GPS sans l'apport d'un SIG constitue une lacune de la recherche. Cette thèse a pour objectif de rechercher des réponses aux trois questions susmentionnées en construisant à la fois des modèles d'inférence de mode et de motif. Deux ensembles de données ont été utilisés. Le premier a été collecté en Rhône-Alpes, en France, par un appareil dédié, tandis que le second a été rassemblé à Hanoï, au Vietnam, par smartphone. Sur la base des performances des classificateurs des recommandations visant à améliorer la qualité des enquêtes par GPS en général et pour les pays en développement en particulier ont été proposées. Mobility data play a crucial role in travel behavior research and demand forecast. The complete reliance on conventional datum collection techniques, that is, face-to-face interview, computer-assisted telephone/web/personal interview, postal survey and email has a number of big drawbacks, including (1) high burden on respondents, thus high non-response rate, (2) inclusion of one-day data per person, (3) lack of reliability due to human memory limits and habit of rounding travel time, (4) high cost with intensive labor and (5) big time gap between periodic household travel surveys not to mention the difficulties in combining and harmonizing data of surveys in different regions or countries. The unlimited use of Global Positioning System (GPS) has opened up great opportunities for dealing with the problem of poor data. GPS logs are objective, numerous, continuous, detailed and accurate spatiotemporally. Yet, positioning information itself is not eligible for analysis due to the lack of trip characteristics. This deficiency has induced the substantial development of two new research fields that are involved in imputing transportation modes and trip purposes from GPS data, respectively. On-board devices were initially utilized to take advantage of electricity. Afterwards, lightweight, small and wearable personal devices have been developed to collect data at person level, which emphasized the need of detecting trip modes. Currently, smartphone is the most preferred devices to gather both logs and their corresponding so-called ground truth. Detections of mode and purpose are essential steps prior to do any travel behavior analyses (e.g. mode choice or time spending in activities). In this sense, the performances of mode and purpose inference algorithms determine the potential of employing GPS-based surveys as a supplement and even an entire alternative to conventional techniques. In the literature, there are three research gaps related to imputation algorithms and GPS-assisted surveys. The first is the great focus of investigations in well-structured urban areas of developed countries and occasionally in China. Therefore, the use of GPS in mobility surveys in cities of developing countries has been questionable. The others are consequences of the first limitation. Second, the list of mode detection encompasses walk, bike, transit and car but not motorcycle that is one of the main means in emerging countries. Last, purpose imputation has been implemented very frequently with the support of GIS data; however, GIS data are not available and good enough everywhere. Lack of reasonable solutions to derive purposes from GPS data without GIS data is a gap. This thesis aims at seeking answers to three mentioned-above existing questions by building both mode and purpose inference models. Two data sets were used. The first was collected in Rhone-Alpes, France by dedicated device whilst the second was gathered in Hanoi, Vietnam by smartphone. Based on prediction results, the discussions and recommendations for enhancing the quality of GPS-based surveys in general and for developing countries in particular have been proposed.