Les avalanches représentent un défi pour les habitants et les infrastructures des zones de montagnes. Une des actions pour réduire le risque associé est l'information préventive du public et des autorités par la rédaction de bulletins de prévision de l'aléa avalancheux, couramment appelé prévision du risque d'avalanche. La prévision du risque d'avalanche repose à la fois sur des observations de l'état du manteau neigeux et des avalanches ainsi que sur la modélisation numérique. Il n'y a pourtant aujourd'hui aucun modèle qui combine à la fois les observations et la connaissance physique des processus physiques à la source des avalanches. De plus, les modèles statistiques sont principalement limités à l'usage de variables météorologiques ou de variables simples et intégrées sur l'ensemble du manteau neigeux sans utiliser notre connaissance des processus de déclenchement des avalanches. L'objectif de cette thèse est de combiner les avantages respectifs de notre connaissance du passé au travers des observations du manteau neigeux et des avalanches, la connaissance de la physique des phénomènes et des méthodes statistiques pour proposer de nouveaux indicateurs de l'aléa avalancheux pour la prévision du risque d'avalanche. L'information pertinente pour l'activité avalancheuse est d'abord extraite des modèles météorologiques et d'évolution du manteau neigeux à l'aide de la connaissance des processus physiques à l'\oe{}uvre dans le déclenchement des avalanches, puis fourni à un modèle d'apprentissage pour relier ces variables d'entrée à l'activité avalancheuse observée. Ce travail est découpé en différentes parties et résumé dans des articles publiés, soumis ou en préparation. Nous identifions et évaluons dans un premier temps les différents modèles de stabilité à base physique existants. Ils sont ensuite adaptés au modèle de manteau neigeux Crocus. Nous montrons la nécessité de combiner plusieurs indicateurs de stabilité pour rendre compte de l'ensemble des phénomènes mis en jeu dans le départ d'une avalanche. Une sélection de modèles de stabilité est ensuite utilisée, conjointement aux informations nivo-météorologiques, comme variable d'entrée pour un modèle statistique de type forêt d'arbres aléatoires. Le modèle statistique est entrainé et évalué sur des observations passées de l'activité avalancheuse dans le massif français de Haute-Maurienne, puis évalué en détail sur cette zone géographique. L'intérêt de la méthode statistique est démontré avec une probabilité d'identification des situations avalancheuses de 75% et une sélectivité de 76%. L'intérêt de l'utilisation des modèles mécaniques de stabilité comme variable d'entrée du modèle statistique est également confirmé. Le phénomène avalancheux reste néanmoins un phénomène rare et difficile à prévoir avec une haute résolution spatio-temporelle, ce qui se traduit par un nombre élevé de faux positifs et une précision autour de 3,3%, y compris avec un jeu de données et des outils de modélisation de pointe. Le modèle statistique est ensuite généralisé à d'autres sources de données et d'autres zones géographiques avec succès : des performances similaires sont obtenues sur une sélection de quatre massifs français des Alpes et des Pyrénées et avec un nouveau jeu de données. Ces résultats confirment la robustesse du modèle statistique choisi. Des résultats préliminaires sur l'activité avalancheuse provoquée, complémentaire de l'activité naturelle pour les bulletins d'estimation du risque d'avalanche, donne des perspectives encourageantes. Le modèle que nous proposons pourra dans le futur remplacer le modèle MEPRA actuellement mis à disposition des prévisionnistes. Des travaux supplémentaires seront néanmoins nécessaires pour continuellement améliorer ce modèle. Cela inclut notamment la combinaison des différentes sources d'observation disponibles pour l'activité avalancheuse, ainsi que l'introduction de nouvelles sources de données et des améliorations des modèles statistiques utilisés.