Noise pollution is a major environmental health problem, and cities are trying to define strategies intended to avoid, prevent or reduce its harmful effects. This requires the determination of the population's exposure to environmental noise in cities, which can be done through noise mapping. Until recently, noise mapping has been carried out mainly through numerical simulation. However, simulation-based noise maps are subject to high uncertainties, and often depict a static average over an extended period of time, without distinction between the different days of the year. This motivates to monitor noise pollution where and when people are exposed.The microphones embedded in dwellers mobile phones are natural candidates for this purpose. The mobile application Ambiciti, developed at Inria, informs people about their exposure to noise and air pollution, and allows us to gather dwellers data, under their consent, through so-called crowdsensing. This observational data is distributed in space and time and hence conveys information that is complementary to simulation data, and can make up for the latter's shortcomings.In this thesis, we propose data assimilation methods that allows one to merge prior noise maps issued by numerical simulation with observational mobile phone-acquired noise data. The result of this merging is an analysis that is designed to have minimum error variance, based on the respective uncertainties of both data sources, that are to be evaluated foremost as precisely as possible.The mobile measurements quality is a major issue to be addressed. It depends on the observable frequencies and intensities, the period of averaging, the environmental conditions, etc. We run a performance analysis that addresses the range, accuracy, precision and reproducibility of measurements. Conclusions of this evaluation leads us to the proposition of a calibration strategy that has been embedded in Ambiciti.Data assimilation addresses the problem of the estimation of an unknown state vector, using a prior state vector and observations. These components shall be compared and combined, based on the uncertainties that one has assumed for each of these components.We address this estimation problem on two different scales. A first method relying on the so-called "best linear unbiased estimator" is proposed. It produces hourly noise maps, based on temporally averaged simulation maps and mobile phone audio data recorded at the neighborhood scale. A systematic study of the errors associated with both the simulation map and the observations (measurement error, temporal representativeness error, location error) is carried out. The method is illustrated through an experiment where two hourly analysis maps are produced, achieving a reduction of at least 25% of root-mean-square error, when compared to the prior maps.A second method that produces maps at the city scale is developed. It leverages the crowd-sensed Ambiciti user data available throughout the covered city, in order to correct the prior simulation map in a global fashion. First, the observations set must be filtered and pre-processed, in order to only select the ones that were generated in adequate conditions (i.e. outdoors, with the phone held in the user's hand, etc.) and account for measurement biases. The assimilation method relies on the construction of an error model, where each point of the prior map is associated with a certain category defined by multiple parameters : prior noise level, distance to the closest road, estimated road traffic on the closest road, etc. A correction is applied to all map points depending on their class within the established categorization. The correction is computed for each category based on the departures between observations and prior levels that lie within this category, the respective assumed uncertainties for the noise model and the observations, and the size of the category. The method is evaluated using temporally averaged simulation maps, by comparing levels captured by fixed microphones of an urban noise monitoring network and the values of the simulated and analysis maps. This evaluation shows a reduction of the error for all considered periods of the day, and a general decrease of the error distribution spread.; La pollution sonore en milieu urbain est un enjeu sanitaire important, et les villes mettent en place des stratégies afin de lutter contre cette nuisance. La connaissance de l'exposition des populations au bruit environnemental occupe une place centrale. Cette exposition est estimée à l'aide de cartes de bruit, produites généralement à l'aide de simulations numériques. Cependant, notamment à cause des incertitudes sur les données d'entrées des modèles, ces simulations sont entachées d'erreurs, parfois élevées. D'autre part les cartes générées représentent en général des niveaux moyens sur une période temporelle étendue. Il est alors judicieux de faire appel à l'observation, qui permet de récolter de l'information en différents points de l'espace et à différents instants. L'approche décrite dans cette thèse est posée comme un problème d'estimation d'état.Les microphones intégrés aux téléphones mobiles des citadins peuvent aider à répondre à ce besoin. L'application Ambiciti, développée à l'Inria, permet à ses utilisateurs de suivre leurs expositions à la pollution sonore et à la pollution de l'air. Les utilisateurs volontaires peuvent partager de manière anonyme leurs mesures, et ainsi participer à la génération d'un volume de données important qui constitue une source d'information complémentaire à celle fournie par la simulation numérique.Dans cette thèse, nous proposons des méthodes d'assimilation de données permettant la combinaison d'une carte de bruit issue de la simulation, dite ébauche, constituant notre connaissance a priori du système, et de données d'observations acquises à l'aide de téléphones mobiles, par l'intermédiaire de l'application Ambiciti. Le résultat de cette combinaison est un estimateur statistique nommé analyse, dont on souhaite minimiser la variance de l'erreur, grâce à une estimation préalable des erreurs associées respectivement à l'ébauche et aux observations.La connaissance des erreurs associées aux mesures est donc cruciale afin de calculer une analyse aussi précise que possible. La fiabilité des mesures entreprises à l'aide d'un téléphone dépend de paramètres tels que : le contenu fréquentiel et l'intensité du signal enregistré, la période d'enregistrement, les conditions de mesures, etc. Nous mettons en place un protocole permettant d'évaluer la précision et la justesse des mesures, ainsi que l'étendue des valeurs qui peuvent être mesurées. Les résultats de cette étude mènent à la mise en place d'une méthode d'étalonnage des téléphones, permettant de réduire autant que possible le biais de mesure.Nous employons l'assimilation de données dans le cadre du problème d'estimation d'un vecteur d'état inconnu. Nous disposons d'une ébauche de ce vecteur d'état et d'observations qu'il s'agira de comparer, et de combiner à hauteur de la confiance qui leurs est respectivement associée. Nous traitons ce problème à deux échelles différentes.Une première méthode, fondée sur l'estimateur statistique BLUE (« best linear unbiased estimator »), produit une analyse à l'échelle du quartier sous la forme d'une carte de bruit horaire. L'ébauche est générée à partir d'une carte simulée de bruit moyenné sur une période de la journée; les observations sont acquises par un expérimentateur à l'aide d'Ambiciti. Une étude approfondie des erreurs associées à l'ébauche (notamment en terme de corrélations spatiales), et aux observations (erreur instrumentale, erreurs de représentativité temporelle et spatiale) est menée. La méthode est illustrée à travers une expérience où deux analyses sont produites, sous la forme de cartes horaires associées à deux créneaux horaires différents de la journée. On constate une réduction d'au moins 25% de l'erreur commise dans les cartes d'analyse, en comparaison des cartes d'ébauche correspondantes.Une seconde méthode d'assimilation de données est établie, afin de générer des cartes d'analyse à l'échelle de la ville. Cette méthode s'appuie sur l'ensemble des observations générées par les utilisateurs de l'application Ambiciti dans la ville étudiée. Une première étape consiste à filtrer les données afin de ne conserver que les mesures ayant été effectuées dans des conditions adéquates, c'est-à-dire en extérieur (filtre basé sur une méthode de classification non-supervisée), en l'absence d'obstacles devant le microphone du téléphone, etc. Les données sont pré-traités afin de s'affranchir d'éventuels biais de mesure. Ensuite, un modèle d'erreur d'ébauche est établi. Ce modèle s'appuie sur une catégorisation commune des points d'ébauche et des observations, en fonction de divers paramètres tels que le niveau d'ébauche, la distance à une route, la fréquentation estimée de la route la plus proche, etc. L'erreur d'ébauche est alors estimée pour chacune des catégories, avec les écarts entre les observations et les niveaux d'ébauche correspondants, les estimations des variances des erreurs associées à chaque source d'information, et la taille de la catégorie étudiée. Cette méthode est évaluée en comparant les cartes d'ébauche et d'analyse aux relevés des stations du réseau fixe de surveillance Rumeur, pris comme valeurs de référence. Les cartes d'analyse obtenues permettent une baisse de l'erreur quadratique pour les trois niveaux courants Lday, Levening et Lnight, associées aux différentes périodes de la journée, et une diminution de l'étendue de la distribution de ces erreurs.