L’objet de cette thèse porte sur l'analyse quantitative des risques et les techniques de modélisation dans le but d'améliorer la sécurité aux PN. Les différentes contributions de ce travail peuvent être présentées selon quatre volets : Sur le premier volet, nous présentons une analyse quantitative de l'impact de divers facteurs (mode de transport, région géographique et moment de trafic) sur le niveau de risque aux PN. Sur le deuxième volet, et en se basant sur des données expérimentales fines obtenues à partir de l’instrumentation de 12 PN à différents endroits en France, une analyse quantitative du comportement des automobilistes est réalisée pour explorer les mécanismes de violation des automobilistes lors de la traversée d’un PN. Sur le troisième volet, nous proposons un modèle statistique multi-facteurs de prévision des accidents. Un tel modèle, en plus de la prise en compte d’une multitude de facteurs, nous fournit une estimation de la fréquence des accidents avec une précision considérablement élevée par rapport aux modèles existants. Sur le dernier volet, nous proposons un cadre de modélisation efficace et complet basé sur des réseaux Bayésiens (RB) pour le raisonnement causal. Les résultats de la phase de validation indiquent que ce modèle de risque présente une bonne performance d'estimation. En résumé, les contributions de cette thèse offrent une réponse directe à l’insuffisante connaissance sur les divers mécanismes qui sous-tendent les accidents PN. De telles contributions sont un nouveau pas vers l'identification de mesures de conception pratiques et de solutions techniques ciblées, afin d'améliorer la sécurité des PN. / This PhD thesis deals with advanced quantitative risk analysis and modeling techniques with the aim to improve the safety of LXs. The contributions of the work reported in this thesis are four-fold:Firstly, we analyze the impact of various factors (transport mode, geographical region and traffic moment) on the risk level at LXs quantitatively. Then, based on the field experiments carried out at 12 LXs throughout France, through quantitative analysis of motorist behavior is performed to acquire the knowledge of motorist violation mechanism causing train-car collisions. Moreover, an advanced statistical accident prediction model which takes into account a variety of impacting factors, i.e., the average daily road traffic, the average daily railway traffic, the annual road accidents, the vertical road profile, the horizontal road alignment, the road width, the crossing length, the railway speed limit and the geographic region, is further developed. This model allows for estimating accident frequency with a considerably high accuracy and has a more appropriate form compared with the existing models pertaining to LX accident prediction. Subsequently, an effective and comprehensive modeling framework based on Bayesian networks (BNs) for risk reasoning is proposed. The performance validation results indicate that our BN risk model has sound estimation performance. In summary, the aforementioned contributions are a direct response to the key knowledge gap about various mechanisms underlying LX accidents. Such contributions pave the way for identifying practical design measures and targeted technical solutions, so as to improve LX safety.