Cette thèse porte sur l'estimation d'état des systèmes dynamiques à temps discret dans le contexte de l'intégration d'incertitudes statistiques et à erreurs bornées. Partant du filtre de Kalman intervalle (IKF) et de son amélioration (iIKF), nous proposons un algorithme de filtrage pour des systèmes linéaires dont les bruits sont gaussiens incertains, c'est-à-dire de moyenne et matrice de covariance définies par leur appartenance à des intervalles. Ce nouveau filtre de Kalman intervalle (UBIKF) repose sur la recherche d'une matrice de gain ponctuelle minimisant une borne majorante de l'ensemble des matrices de covariance de l'erreur d'estimation en respectant les bornes des incertitudes paramétriques. Un encadrement de tousles estimés possibles est ensuite déterminé en utilisant l'analyse par intervalles. Le filtre UBIKF permet de réduire à la fois la complexité calculatoire de l'inversion ensembliste des matrices intervalles présent dans le filtre iIKF et le conservatisme des estimations. Nous abordons ensuite différents cadres permettant de représenter des connaissances incomplètes ou imprécises, y compris les fonctions de répartition, la théorie de possibilité et la théorie des fonctions de croyance. Grâce à cette dernière, un modèle sous forme d'une fonction de masse pour une distribution gaussienne multivariée incertaine est proposé. Un filtrage particulaire ensembliste basé sur cette théorie est développé pour des systèmes dynamiques non linéaires dans lesquels les bruits sur la dynamique sont bornés et les erreurs de mesure sont modélisées par une fonction de masse gaussienne incertaine. Enfin, le filtre UBIKF est utilisé pour la détection et l'isolation de défauts en mettant en œuvre le schéma d'observateurs généralisé et l'analyse structurelle. Au travers de différents exemples, la capacité d'isolation de défauts capteurs/actionneurs de cet outil est illustrée et comparée à d'autre approches. / This thesis deals with state estimation in discrete-time dynamic systems in the context of the integration of statistical and bounded error uncertainties. Motivated by the drawbacks of the interval Kalman filter (IKF) and its improvement (iIKF), we propose a filtering algorithm for linear systems subject to uncertain Gaussian noises, i.e. with the mean and covariance matrix defined by their membership to intervals. This new interval Kalman filter (UBIKF) relies on finding a punctual gain matrix minimizing an upper bound of the set of estimation error covariance matrices by respecting the bounds of the parametric uncertainties. An envelope containing all possible estimates is then determined using interval analysis. The UBIKF reduces not only the computational complexity of the set inversion of the matrices intervals appearing in the iIKF, but also the conservatism of the estimates. We then discuss different frameworks for representing incomplete or imprecise knowledge, including the cumulative distribution functions, the possibility theory and the theory of belief functions. Thanks to the last, a model in the form of a mass function for an uncertain multivariate Gaussian distribution is proposed. A box particle filter based on this theory is developed for non-linear dynamic systems in which the process noises are bounded and the measurement errors are represented by an uncertain Gaussian mass function. Finally, the UBIKF is applied to fault detection and isolation by implementing the generalized observer scheme and structural analysis. Through various examples, the capacity for detecting and isolating sensor/actuator faults of this tool is illustrated and compared to other approaches.