L’observatoire spatial LISA, dont le lancement est prévu en 2035 ; sera constitué de trois satellites éloignés de 2.5 millions de kilomètres et permettra la détection directe d’ondes gravitationnelles indétectables par les interféromètres terrestres, ouvrant une nouvelle fenêtre d’observations en astrophysique. Afin de maximiser le potentiel scientifique d’une telle mission, l’analyse des données fera intervenir différentes étapes dont l’une des premières est le « pipeline » d’analyse rapide, dont le rôle est la détection de nouveaux évènements, ainsi que la caractérisation d’évènements. Au-delà de l’intérêt pour LISA, ce pipeline d’analyse à faible latence joue un rôle primordial pour le suivi rapide des évènements détectés par des observations électromagnétiques (observatoires au sol ou spatiaux, des ondes radios au rayons Gamma). Si des méthodes d’analyse rapides ont été développées pour les interféromètres au sol, le cas des interféromètres spatiaux tel que LISA reste un champ à explorer. Ainsi, un traitement adapté des données devra prendre en compte le mode de transmission des données par paquet, nécessitant ainsi la détection d’évènements à partir de données incomplètes, entachées d’artefacts. Ces méthodes devront permettre la détection et la caractérisation d’évènements aussi divers que la fusion de trous noirs, les EMRI (binaires spiralantes de rapport de masses extrême), bursts et binaires d’objects compacts. Tout ceci devant opérer en quasi-temps réel. A cette fin, cette thèse aura pour objectif d’une part la généralisation des méthodes classiques, fondées sur le matched filtering, à l'analyse des données LISA et d’autre part au développement d’une nouvelle approche fondée sur l'apprentissage automatique pour la détection et la caractérisation précoce des fusions de trous noirs. Ces méthodes se feront dans le cadre du consortium LISA et contribueront au développement d’un pipeline d’analyse rapide en France.