La spatialisation sonore a pour but de créer un environnement sonore 3D de manière synthétique, soit par restitution sur un réseau de haut-parleurs (casque stéréo, home cinéma 5.1, 7.1, etc..), soit par virtualisation. Une technique de virtualisation consiste à leurrer le cerveau avec des indices acoustiques (différences de temps d'arrivée, de niveaux sonores, ou spectraux). Pour cela, on utilise des filtres HRTF (Head Related Transfer Function) : pour une personne et pour un son situé à une position de l'espace, on a un HRTF. Le principal problème consiste en la mesure de ces filtres car la mesure directe est très contraignante. Dans ce mémoire, on cherche à modéliser les filtres HRTF à partir de paramètres morphologiques liés à la tête d'un individu, par une méthode d'apprentissage statistique. La contribution majeure se situe dans l'étude particulière du plan d'élévation, où seuls les indices spectraux sont pertinents. Nous avons montré que l'utilisation de technique relativement commune (régressions linéaire simple et pénalisés) ainsi que des méthodes d'ordre élevé (HOPLS, HOSVD) ne permettent pas d'obtenir des HRTF qui contiennent les indices pertinents pour la spatialisation sonore. Néanmoins, il semble qu'il existe plusieurs sous-groupes au sein des données qui suggèrent l'utilisation de modèle de mélanges pour traiter de manière optimale la grande variabilité entre les individus.