L'éthique des machines est un sous-domaine en plein essor de l'intelligence artificielle qui suscite intérêt et inquiétudes, en particulier en ce qui concerne le déploiement d'agents automatisés dansnotre vie quotidienne. À mesure que ces agents gagnent en indépendance vis-à-vis de l'intervention humaine et prennent des décisions susceptibles d'avoir un impact sur le bien-être humain, de réelles inquiétudes appraissent dans plusieurs domaines.Pour ces raisons, diverses approches ont été proposées pour apporter les agents automatisés de considérations éthiques. Plusieurs courants de recherche ont développé des modèles issus de la psychologie et de la philosophie dans le but d'adapter les algorithmes de prise de décision pour tenir compte des valeurs éthiques afin que l'impact des agents sur les personnes soit délimité et guidé par ces notions.La plupart de ces approches consistent soit à raisonner et à appliquer un ensemble de restrictions éthiques bien connues, également appelées principes (top-down), soit à les inférer sur la base d'ensembles de données soigneusement élaborés grâce à des algorithmes d'apprentissage (bottom-up).Dans cette thèse, nous examinons la mise en œuvre de ces principes éthiques dans le contexte de problèmes impliquant des séquences de décisions, c'est-à-dire : la planification automatique. Nous montrons comment certaines notions peuvent être modélisées à l'aide de cadres formels basés sur les préférences, comme dans les approches `top-down', et comment ces préférences peuvent être déduites d'un corpus de données comme les méthodologies `bottom-up', pour développer une approche hybride applicable à la planification automatique. Un logiciel pour chaque facette de notre approche est fournie afin de tester nos idées sur des scénarios pratiques.