Dans ce travail de thèse, nous proposons de modéliser le système de reconnaissance chimique des fourmis pour concevoir une méthode de classification non-supervisée appliquée au problème de la mesure d'audience sur Internet. Les principes extraits notre modèle biologique ont permis le développement d'un simulateur de vie artificielle apte à reproduire des expériences conduites sur les fourmis réelles et de concevoir deux algorithmes de classification non-supervisée. Ceux-ci associent un objet du jeu de données à l'odeur d'une fourmi artificielle et visent à regrouper au sein des mêmes colonies, les fourmis ayant une odeur similaire. La convergence est obtenue par le biais de rencontres répétées entre les fourmis artificielles et dont l'issue est dictée par un ensemble de règles comportementales individuelles. Le premier algorithme nommé AntClust modélise les odeurs de manière discrète, sous la forme d'une étiquette à valeur entière, alors que le second, nommé Visual AntClust, manipule des odeurs continues exprimées par un vecteur de réels à deux dimensions qui autorise le suivi visuel de la création de la partition finale. Ces algorithmes sont testés sur des jeux de données artificielles et réelles et comparés à d'autres approches comme les k-Means ou AntClass. AntClust est appliqué au problème de la mesure d'audience sur Internet et utilise pour ce faire une description multi-modalités pondérée des sessions de navigation des internautes. Cette approche permet d'extraire des statistiques de fréquentation plus fines que celles fournies par les outils classiques de mesure d'audience sur les sites Web. Visual AntClust est appliqué à la classification de profils chimiques issus de fourmis champignonnistes et corrobore l'hypothèse selon laquelle le régime alimentaire joue un rôle fondamental dans le processus de discrimination des fourmis de cette espèce.