Les robots sont de plus en plus présents dans l'environnement quotidien. Il ne suffit plus de partager l'espace avec des humains, mais aussi d'interagir avec eux. Dans ce cadre, il est attendu du robot qu'il comprenne un certain nombre de signaux ambigus, verbaux et visuels, couramment utilisés pour communiquer entre humains. En particulier, la direction du regard (où les gens regardent-ils?) et la cible d'attention visuelle (qui ou quoi les gens regardent-ils?) contiennent beaucoup d'informations sur le comportement social individuel ainsi que sur la dynamique de groupe à l'oeuvre. Afin d'estimer la (ou les) cible d'attention visuelle, désignée par l'acronyme anglais VFOA pour visual focus of attention, le robot doit résoudre plusieurs tâches. (a) Trouver les gens et les garder dans le champ de vision. Le robot a besoin d'une stratégie appropriée de pilotage du regard pour orienter la caméra en fonction de ses données sensorielles. (b) Estimer la direction du regard de chacun. Les gens sont libres d'orienter la tête à leur convenance, ainsi les yeux ne sont pas toujours clairement visibles. Il n'est pas fiable de compter sur des images des yeux pour deviner l'orientation du regard. Toutefois, les mouvements de la tête et des yeux sont souvent liés, et cette corrélation peut être utilisée. (c) Repérer les objets d'intérêt. Un objet d'intérêt peut être en dehors du champ de vision de la caméra. Détecter la présence d'un tel objet peut seulement se faire en suivant les regards. (d) Combiner ces informations pour estimer les VFOAs. Dans cette thèse, nous proposons une méthode pour estimer simultanément la cible d'attention visuelle (VFOA) de plusieurs personnes engagées dans un processus d'interaction sociale, depuis le point de vue d'un robot humanoïde. De plus, deux problèmes rencontrés en chemin ont attiré notre attention: piloter le regard du robot, et suivre le regard des gens pour détecter les positions des objets en dehors du champ de vision. Les différentes contributions, décrites en détail ci-après, reposent sur l'apprentissage automatique à partir de données. Premièrement, nous supposons connues les positions des objets d'intérêt. Dans ce cadre, nous modélisons la dynamique du regard avec un réseau Bayésien, en s'inspirant d'observations psychophysiques. Plus précisément, nous introduisons un modèle temporel qui décrit, dans un groupe de plusieurs personnes, les dépendances entre les têtes, les objets, les regards et les VFOAs. Ce modèle, basé sur un système Markovien à dynamiques multiples, permet d'obtenir une méthode d'apprentissage des paramètres ainsi qu'un algorithme efficace pour estimer, en continu, la direction du regard et le VFOA. Deuxièmement, nous proposons d'estimer la position des objets d'intérêt en combinant les regards au cours du temps. La succession des mouvements de tête de chacun est encodée sous forme de carte de chaleur vue du dessus. Nous avons élaboré et entraîné plusieurs réseaux de convolution de type encodeur/décodeur pour prédire les positions qui contiennent vraisemblablement des objets d'intérêt. D'autres méthodes plus simples sont présentées pour comparaison. Troisièmement, nous présentons une méthode d'apprentissage par renforcement pour piloter le regard du robot. Un réseau de neurones récurrents est entraîné pour prédire la valeur d'action. Le robot utilise ses observations audio et visuelles pour apprendre de manière autonome une stratégie efficace pour orienter sa tête. Cela lui permet de cibler des groupes de personnes dans un environnement évolutif. Enfin, toutes les contributions sont validées sur des jeux de données disponibles publiquement. De plus, deux méthodes de simulation de scénarios synthétiques ont été développées afin d'enrichir les jeux de données. Les scénarios générés peuvent être utilisés pour l'entraînement ou la validation.