L’instrumentation moderne en physique des particules (HEP) fait face à une augmentation rapide de la segmentation des détecteurs. Cela conduit à une augmentation du volume de données, qui requière une mise à niveau des détecteurs. Aussi, l’évolution des détecteurs est liée à la nécessité de suivre les évolutions technologiques, ainsi qu’à la nécessité de remplacer des parties du détecteur endommagées par les radiations. En particulier les détecteurs auprès du Large Hadron Collider (LHC) devront être mis à niveau pour la phase de haute luminosité (HL-LHC). Cette thèse décrit le travail de recherche effectué dans le contexte du calorimètre de haute granularité (HGCAL) envisagé pour la mise à niveau du détecteur CMS. Dans l’environnement difficile du LHC, avec des volumes de données plus élevés, plus de radiation, et plus d’empilement (PU), et où le nombre d’événements intéressants est faible, il est essentiel de fournir une décision de qualité en vue de garder ou non les données de l’événement. Ce processus, appelé déclenchement, doit opérer en temps réel, en prenant en compte les contraintes de communication et de capacité de calcul des processeurs disponibles. Les conditions d’opération du système de déclenchement sont difficiles car les algorithmes doivent être exécutés en un temps limité, sans possibilité de revoir la décision à postériori puisque les événements non sélectionnés sont définitivement perdus. Cette thèse présente les études réalisées pour la conception du nouveau système de déclenchement avec le HGCAL. Les études présentées concernent les aspects essentiels de la chaine de déclenchement, depuis la lecture des éléments de détecteurs à pixels et l’électronique de sélection frontale (FE), jusqu’au flot de données en sortie d’électronique dorsale (BE). Tout d’abord, la conception des modules du HGCAL est revue de façon à former des cellules de déclenchement à partir des cellules hexagonales, afin de réduire le volume de données par un regroupement des cellules de lecture. Lorsque le module est défini, une part important du travail est consacré aux stratégies en vue de réduire les données au niveau du FE et du BE. Des architectures sont étudiées en vue d’une génération de primitives de déclenchement pour laquelle une approche en deux étapes pour une agrégation en 3D est proposée. La première étape consiste en la recherche de régions d’intérêts (ROIs) dans le détecteur, et est basée sur un algorithme de reconstruction des traces (TA), qui permet l’identification des gerbes électromagnétiques (EM) et la sélection d’un germe pour le signal. Il est montré que plus de germes de signaux peuvent être sélectionnés lorsqu’une paramétrisation des gerbes EM est utilisée dans le TA. Finalement, le TA est utilisé dans un algorithme d’apprentissage pour la génération des ROIs. Cela conduit à une image de la gerbe, et un réseau de neurones (NNet) est appliqué pour effectuer la classification (gerbes EM ou PU). Nous avons comparé plusieurs modèles de NNet et leur performances (précision de la classification) sont mesurées en fonction de la complexité du modèle (nombre total de paramètres). Le meilleur compromis est ainsi obtenu entre la qualité de la décision et les contraintes sur le processeur.