Les applications de contrôle automatique et d'optimisation doivent utiliser des données de qualité afin de prendre des actions ciblées et efficaces. Les imperfections des systèmes de mesure font en sorte que les données mesurées brutes ne présentent pas un portrait complet et précis des procédés. Les observateurs, en combinant les mesures brutes avec des connaissances sur les procédés, permettent, sous certaines conditions dont l'observabilité et une modélisation adéquate, de fournir des estimés fiables pour les variables non mesurées tout en diminuant les effets du bruit aléatoire de mesure sur les variables mesurées. La présente thèse vise particulièrement à explorer et valider les possibilités d'observer de manière non biaisée des procédés à partir de sous-modèles basés sur des lois de conservation auxquelles des équations empiriques stochastiques peuvent être ajoutées. La représentation d'état régulière est d'abord considérée, mais elle devient limitée en présence d'équations algébriques ainsi que dans le contexte errors-in-variables. Après avoir fait la preuve que ce contexte errors-in-variables est parfaitement compatible avec une représentation d'état généralisée même dans un cas où certaines entrées ne seraient pas mesurées, la représentation d'état généralisée est largement utilisée pour la modélisation dans cette thèse. Des observateurs optimaux sont présentés pour cette représentation d'état ainsi que les représentations d'état particulières statique, stationnaire et dynamique régulière. La réconciliation dynamique non linéaire de données basée sur la programmation non linéaire est privilégiée dans les situations où les contraintes sont non linéaires ou lorsque des contraintes d'inégalité deviennent actives. Les limites des observateurs statiques pour les applications en ligne sont démontrées et les observateurs stationnaires basés sur des structures similaires, mais nécessitant le réglage d'une matrice de variance supplémentaire, sont proposés en remplacement. Des méthodes pratiques sont proposées et testées pour le réglage des paramètres stochastiques. L'observation est appliquée à des procédés de traitement de la matière considérés parfaitement mélangés ainsi qu'à un tuyau avec écoulement piston à débit volumique variable. Les notions et les outils développés dans cette thèse peuvent être utiles et utilisés dans de nombreux secteurs industriels dont le traitement du minerai, la pyrométallurgie, la pétrochimie, le ciment, les biotechnologies et la transformation alimentaire. / Automatic process control and optimization applications must use good quality data in order to take targeted and effective actions. Raw measurements do not provide a complete and precise vision of process operations because measurement systems arc not perfect. Observers, by combining raw measurements with knowledge about processes, allow, under certain conditions such as sufficient observability and adequate modeling, to provide reliable estimates for unmeasured variables while decreasing random measurement noise effects on measured variables. The present thesis aims at exploring and validating the possibilities for the unbiased observation of processes using sub-models based on conservation laws to which stochastic empirical equations can be added. The regular state space representation is first considered but it becomes limited in the presence of algebraic equations and in the errors-in-variables environment. After showing that this errors-in-variables environment fits perfectly in a generalized state space representation even in a case where some inputs would not be measured, the generalized state space representation is then largely used for modeling in this thesis. Optimal observers are presented for this state space representation as well as for the particular static, stationary and regular dynamic state space representation. The nonlinear dynamic data reconciliation algorithm based on nonlinear programming should be favored in case of nonlinear constraints or when the inequality constraints become active. The limitations of static observers for on line applications are shown and stationary observers using the saine modeling structure, but requiring the tuning of an additional variance matrix, are proposed as an easy improvement. Practical methods are proposed and tested for the tuning of the two variance matrices used in state space modeling. The different observers are applied to processing units considered perfectly mixed and transportation units like a plug-flow pipe with a variable flowrate. The concepts and the tools developed in this thesis can be useful and used in many industrial sectors such as mineral processing, pyrometallurgy, petrochemistry, cement, biotechnology and food processing.