Ce mémoire de thèse s'intéresse à la production de prévisions hydrologiques probabilistes à court/moyen terme, dans un contexte impliquant plusieurs bassins aux débits plus ou moins corrélés. Notre cas d'étude réel concerne différents affluents du Haut-Rhône français. Le travail a été mené autour de la mise en place d'une chaîne de prévision combinant des approches ensemblistes, à savoir la prévision d'ensemble météorologique et le multi-modèle hydrologique, avec des méthodes de correction statistique. Les approches ensemblistes permettent de générer de manière dynamique une incertitude propre à chaque situation, tandis que les corrections statistiques, appliquées sur les prévisions météorologiques (pré-traitement) et/ou hydrologiques (post-traitement), sont nécessaires pour garantir la fiabilité.Chaque correction statistique, réalisée dans un cadre univarié, entraine la perte de la structure de dépendance spatiale et temporelle des prévisions. Nous nous sommes donc intéressés à son étape de reconstruction, en réalisant un diagnostic des méthodes existantes, notamment le Schaake shuffle et l'ECC. Des adaptations ont été proposées afin d'apporter une réponse aux limites constatées. Dans le cadre du pré-traitement, nous avons cherché à améliorer le conditionnement de la structure de dépendance à la situation météorologique. Pour le post-traitement, notre effort s'est porté sur le respect de l'autocorrélation des débits et le maintien de la fiabilité, notamment lors des phases problématiques de récession. La vérification des prévisions obtenues (météorologiques et hydrologiques) a été menée à l'aide d'outils univariés et multivariés, en portant une attention particulière à la fiabilité, grâce notamment au concept de stratification.Nous avons enfin étudié les interactions entre les différents maillons de notre chaîne de prévision, en comparant plusieurs scénarios où certains maillons seulement étaient activés. Cette expérience a permis de fournir des indications concrètes sur les priorités à mettre en œuvre lors du déploiement ou de l'amélioration d'une chaîne opérationnelle de prévision hydrologique probabiliste. / This dissertation adresses the production of short-to-medium range hydrological forecasts, in a context involving a number of basins with correlated streamflows. Our case study, based on real data, includes several tributaries of the upper Rhone river in France. Work has been conducted on implementing a forecasting chain that combines ensemble approaches, namely meteorological ensemble forecasting and hydrological multi-model, with statistical correction methods. Ensemble methods are able to dynamically generate an uncertainty that is case-specific, while statistical corrections, which are applied to meteorological (pre-processing) and/or hydrological (post-processing) forecasts, are needed to ensure forecast calibration.Each statistical correction, performed in a univariate framework, induces the loss of the spatial and temporal dependence structure of the forecasts. We were therefore interested in reconstructing such structure, first by making a diagnosic study of existing methods, notably the Schaake shuffle and ECC. Adaptations were proposed in order to address the identified caveats. For pre-processing, we aimed at improving the conditioning of the dependence structure on the meteorological situation. For post-processing, our effort focused on ensuring that streamflow forecasts respect the autocorrélation charateristics and preserve a good calibration, especially during the recession phases, which are problematic. Verification of the so-obtained (meteorological and/or hydrological) forecasts was conducted using univariate and multivariate tools, paying particular attention to the forecast calibration, thanks to the concept of stratification.Finally, we studied the interactions between the different modules of our forecasting chain, by comparing scenarios where only some of the modules were activated. This experiment allowed us to provide guidelines relative to the implementation or the upgrade of an operational probabilistic streamflow forecasting chain.