Cette these porte sur l'utilisation du formalisme bayesien pour la repr´esentation et la manipulation des incertitudes geometriques dans les systemes de Robotique et de CAORobotique. Dans ces systemes, l'utilisation d'un modele geometrique de l'environnement est indispensable. Toutefois, la validite des calculs conduits sur ces mod`eles n´ecessite une repr´esentation des ecarts entre le modele et la realite et une prise en compte de ces ecarts lors de la resolution d'un probleme donne. L'approche proposee repr´esente une extension de la notion de specification par contraintes geometriques dans laquelle la dimension incertaine des modeles est prise en compte. Cette extension consiste a specifier les contraintes sur les positions relatives entre diff´erents corps de l'environnement non pas par de simples equations et inequations, mais par des distributions de probabilite sur les parametres de ces positions. A l'issue de cette specification, une distribution conjointe sur l'ensemble des parametres du modele est construite. Pour un probleme donne, la distribution marginale sur les parametres inconnus de ce dernier est inferee en utilisant les regles des probabilites. La resolution de ce probleme revient a optimiser cette distribution comportant, dans le cas general, une integrale portant sur un espace de grande dimension. La methode de resolution utilisee pour approcher ce double probleme d'integration/optimisation est basee sur un algorithme genetique. Cet algorithme permet en particulier de controler la precision de l'estimation numerique des integrales par une m´ethode stochastique de Monte-Carlo. L'implantation d'un systeme prototype de CAO nous a permis une experimentation assez poussee de l'approche propos´ee. La mise en oeuvre de plusieurs applications robotiques, dont les natures peuvent paraıtre tres differentes, a ete possible grace a la souplesse de la methode de specification utilisee et la robustesse de la methode de resolution implantee.