Ce travail propose de nouvelles méthodes d’évaluation d’indicateurs de risque associés à une stratégie d’investissements, en vue d’une optimisation robuste de la maintenance d’un parc de composants. La quantification de ces indicateurs nécessite une modélisation rigoureuse de l’évolution stochastique des durées de vie des composants soumis à maintenance. Pour ce faire, nous proposons d’utiliser des processus markoviens déterministes par morceaux, qui sont généralement utilisés en Fiabilité Dynamique pour modéliser des composants en interaction avec leur environnement. Les indicateurs de comparaison des stratégies de maintenance candidates sont issus de la Valeur Actuelle Nette (VAN). La VAN représente la différence entre les flux financiers associés à une stratégie de référence et ceux associés à une stratégie de maintenance candidate. D’un point de vue probabiliste, la VAN est la différence de deux variables aléatoires dépendantes, ce qui en complique notablement l’étude. Dans cette thèse, les méthodes de Quasi Monte Carlo sont utilisées comme alternatives à la méthode de Monte Carlo pour la quantification de la loi de la VAN. Ces méthodes sont dans un premier temps appliquées sur des exemples illustratifs. Ensuite, elles ont été adaptées pour l’évaluation de stratégie de maintenance de deux systèmes de composants d’une centrale de production d’électricité. Le couplage de ces méthodes à un algorithme génétique a permis d’optimiser une stratégie d’investissements. / This work proposes new assessment methods of risk indicators associated with an investments plan in view of a robust maintenance optimization of a fleet of components. The quantification of these indicators requires a rigorous modelling of the stochastic evolution of the lifetimes of components subject to maintenance. With that aim, we propose to use Piecewise Deterministic Markov Processes which are usually used in Dynamic Reliability for the modelling of components in interaction with their environment. The comparing indicators of candidate maintenance strategies are derived from the Net Present Value (NPV). The NPV stands for the difference between the cumulated discounted cash-flows of both reference and candidate maintenance strategies. From a probabilistic point of view, the NPV is the difference between two dependent random variables, which complicates its study. In this thesis, Quasi Monte Carlo methods are used as alternatives to Monte Carlo method for the quantification of the NPV probabilistic distribution. These methods are firstly applied to illustrative examples. Then, they were adapted to the assessment of maintenance strategy of two systems of components of an electric power station. The coupling of these methods with a genetic algorithm has allowed to optimize an investments plan.