Le Web des Objets étend l'Internet des Objets avec des standards du Web, tels que des graphes de connaissances et des capacités de raisonnement. Les raisonneurs traditionnels sont optimisés pour la performance et nécessitent trop de ressources matérielles, notamment de mémoire, pour être exécutés sur les objets contraints typiquement utilisés dans les applications IoT. Dans cette thèse, nous proposons des optimisations d'un algorithme de raisonnement couramment utilisé pour rendre son implémentation possible sur des objets contraints, en nous concentrant sur la réduction de l'empreinte mémoire du raisonnement. Ces optimisations sont (i) algorithmiques, tirant profit des caractéristiques des jeux de règles utilisés pour le raisonnement, et (ii) axées sur la représentation des connaissances en mémoire au sein du raisonneur. Nous proposons également LiRoT, l'implémentation d'un raisonneur léger et incrémental pouvant être embarqué sur des objets contraints, résultat de ces optimisations. Nous évaluons expérimentalement l'impact des diverses optimisations, et nous montrons qu'elles permettent de réduire significativement l'empreinte mémoire du raisonnement, tout en ayant un impact minimal sur le temps de calcul. Nous comparons également LiRoT à plusieurs raisonneurs de référence, et nous montrons qu'il est plus adapté pour traiter des jeux de données d'une taille typique des applications IoT. Enfin, nous évaluons l'usage de LiRoT sur des plateformes telles qu'ESP32 et Arduino Due et montrons qu'il est possible de faire du raisonnement sur des plateformes aussi contraintes. Cette thèse a été financée par le projet CoSWoT (ANR-19-CE23-0012).