On considère un modèle linéaire classique Y=Ax+e, où e est un bruit blanc gaussien et A est une grande matrice. Le but est d’estimer le vecteur x à partir de données Y. L’approche standard d’estimation dans le cas où la matrice A est grande et mal posée, se base sur l’idée de régularisation. Dans cet exposé on se focalise sur deux types de régularisation : méthodes spectrales et régularisations par dictionnaires. Mais, quel que soit la classe de méthodes de régularisation utilisée, le problème principal statistique est de choisir la meilleure méthode dans cette classe. Nous discutons deux approches à ce problème : minimisation du risque empirique pénalisé et méthodes basées sur des ensembles de confiance.