Avec l'augmentation de la puissance informatique ces dernières décennies et le désir des développeurs de jeux d'offrir aux joueurs des expériences toujours plus engageantes, les jeux vidéo sont devenus de plus en plus complexes, immersifs et réalistes. Cette richesse croissante s'est traduite par un large éventail de styles de jeu potentiels. Les concepteurs de jeux doivent le prendre en compte, notamment lors des tests automatiques, afin que ceux-ci produisent des résultats plus réalistes. Dans cette thèse, nous explorons l'application de techniques d'apprentissage par renforcement pour créer des agents au style humain, capables de simuler des styles de jeu variés, afin d'être intégré à ces procédures de tests automatiques. Notre objectif est de combler le fossé entre les besoins et les contraintes de l'industrie du jeu vidéo d'un côté et les capacités et les exigences des algorithmes d'apprentissage automatique de l'autre, afin de proposer des méthodes réalistes capables de créer des agents pertinents qui soient utiles pour les tests automatiques de jeux vidéo.