Depuis leur domestication, les animaux de ferme ont montré une grande diversification phénotypique. Ils représentent ainsi un modèle pour l'étude de la sélection. De plus, la détection des traces de sélection dans ce type d'espèce peut donner des résultats importants pour l'agronomie, en identifiant des régions du génome associées aux caractères agronomiques ou à la résistance aux maladies. Des données donnant accès à l'information génotypique de populations permettent d'effectuer des études de détection de traces de sélection pan génomiques. Dans ce contexte, les tests de détection de sélection existants doivent relever deux nouveaux défis : avec le nombre croissant de marqueurs typés, la corrélation entre eux augmente, ce qui doit être pris en compte. D'autre part, les tests utilisés se basent sur la comparaison de deux populations. Considérer plus de deux populations devrait permettre d'augmenter la puissance de détection, mais nécessite que les corrélations entre les populations générées par leur évolution conjointe soient prises en compte. J'ai proposé deux tests statistiques pour détecter la sélection en utilisant des données génétiques denses collectées dans plusieurs populations. Le premier est basé sur la différentiation haplotypique entre populations et utilise des données individuelles. Le deuxième cumule des signaux de tests simple marqueur en utilisant la théorie du score local et ne nécessite que des données populationnelles. Par simulations et application à des données réelles, j'ai montré que la puissance de détection augmente par rapport à d'autres tests. L'analyse de jeux de données chez le mouton et la caille permet de proposer des gènes candidats.