Le succès des solutions de l'internet des objets a permis la mise en place de nouvelles applications telles que l'agriculture hydroponique intelligente. L'un des problèmes typiques de ce type d'application est la dégradation rapide des capteurs déployés. Traditionnellement, ce problème est résolu par une maintenance manuelle fréquente, qui est considérée comme inefficace et peut nuire aux cultures à long terme. L'objectif principal de cette thèse est de proposer une approche d'apprentissage automatique pour automatiser la détection des dérives des capteurs. En outre, l'opérabilité de la solution a été étudiée dans un environnement de cloud computing en termes de temps de réponse. Cette thèse propose un algorithme de détection qui utilise le NN pour prédire les dérives des capteurs à partir de flux de données chronologiques. L'algorithme de détection a été nommé par la suite ; CNN, et NB, ont été conçus pour prédire les dérives des capteurs en utilisant des techniques de prévision et de classification. Les algorithmes ont été comparés les uns aux autres en termes de mesures de précision pertinentes pour la prévision et la classification. L'opérabilité de la solution a été étudiée en développant un serveur web qui hébergeait l'algorithme sur une instance informatique Thing Speak.