Cette thèse porte sur de nouvelles méthodes de détection pour la sécurité des systèmes IoT hétérogènes, et s’inscrit dans le cadre du projet européen SecureIoT. Nous avons tout d’abord proposé une solution utilisant le process mining couplé à un pré-traitement des données, pour construire des modèles de comportement et identifier des anomalies à partir de données hétérogènes. Nous avons évalué cette solution à partir de jeux de données issus de plusieurs domaines d’applications différents : véhicules connectés, industrie 4.0, robots d’assistance. Cette solution permet de construire des modèles plus facilement compréhensibles. Elle obtient des meilleurs résultats de détection que d’autres méthodes usuelles, mais demande un temps de traitement plus long. Pour réduire ce dernier sans dégrader les performances de détection, nous avons ensuite étendu notre méthode à l’aide d’une approche ensembliste, qui permet de combiner les résultats de plusieurs méthodes de détection utilisées simultanément. En particulier, nous avons comparé différentes stratégies d’agrégation des scores. Nous avons aussi évalué un mécanisme permettant d’ajuster dynamiquement la sensibilité de la détection. Enfin, nous avons implanté la solution sous la forme d’un prototype, qui a été intégré à une plateforme de sécurité développée avec des partenaires européens.