Cette thèse s'attaque à la classification de séries temporelles structurées, notamment sous la forme de signaux micro-Doppler radar issus de drones non coopératifs. Nous nous attardons en premier lieu sur la riche structure interne de tels signaux, qui fournit une large variété de représentations physiques, qui à leur tourne permettent le développement de modèles d'apprentissage divers et variés, en particulier des réseaux de neurones de convolutifs, ou sur matrices SPD. Nous montrons ensuite comment adapter certains modèles à la structure interne des données par le biais de la géométrie de l'information, et proposons diverses améliorations desdits modèles. Enfin, nous élaborons un pipeline global de classification, faisant intervenir toutes les représentations et modèles d'apprentissage associés, et en présentons les résultats sur différentes bases de données réelles et synthétiques.