Le bruit, en particulier celui dû au trafic routier, est cité par de nombreuses études comme une source de préoccupation sociétale majeure. Jusqu'à présent les réponses des pouvoirs publics ne se basent que sur une quantification énergétique de l'exposition sonore, souvent via la mesure ou l'estimation du LA ou du Lden, et des prises de décisions relatives à la diminution du niveau sonore. Or des études psychoacoustiques ont montré que le niveau sonore n'expliquait qu'une faible part de la gêne sonore ressentie. Il est donc intéressant d'avoir plus d'information sur la source de bruit et de ne pas la réduire à un simple niveau sonore. Dans cette thèse, nous proposons de concevoir un outil permettant d'estimer la gêne sonore associée à chaque véhicule du trafic routier via l'utilisation de son signal audio et de modèles de gêne sonore. Pour ce faire, le signal audio du véhicule est isolé de l'ensemble du trafic routier urbain grâce à l'utilisation de méthodes inverses et de grands réseaux de microphones ainsi que du traitement d'images pour obtenir sa trajectoire. Grâce à la connaissance de la trajectoire ainsi que du signal, le véhicule est classifié par une méthode de machine learning suivant la taxonomie de Morel et al. Une fois sa catégorie obtenue, la gêne spécifique du véhicule est estimée grâce à un modèle de gêne sonore utilisant des indices psychoacoustiques et énergétiques. Cela permet l'estimation des gênes sonores spécifiques à chaque véhicule au sein du trafic routier. L'application de cette méthode est faite lors d'une journée de mesure sur une grande artère parisienne.