La plupart des systèmes robotiques sont équipés de capteurs sophistiqués censés leur donner la capacité de « voir » et en conséquence de comprendre l'environnement dans lequel ils évoluent. Cependant, la quantité impressionnante d'information que ces capteurs collectent régulièrement n'est réellement mise à profit que si le robot qui en est possède la capacité de les traiter correctement. Depuis plusieurs décennies, une grande variété d'algorithmes de perception a été proposée à cet effet. Il est donc déjà possible d'assembler des algorithmes bien connus de détection, de pistage, de classification, de cartographie et de localisation pour concevoir des systèmes de perception complets capables d'opérer pour une application donnée, dans la plupart des situations. Malheureusement, un certain nombre d'applications concrètes exigent des systèmes de perception qui font bien mieux que de fonctionner la plupart du temps. Un véhicule automatique (sans conducteur) évoluant dans un centre ville ne pourra par exemple se satisfaire que d'un système de perception qui fonctionne dans toutes les situations. Ce mémoire de thèse trait précisément de fiabilité inhérente aux systèmes de perception actuels lorsqu'ils sont confrontés à des environnements complexes et changeants. Une analyse détaillée des causes de ce manque de fiabilité est d'abord proposée. Nous proposons et d'écrivons ensuite une approche nouvelle du problème de perception basée sur une formulation unifiée de ses cinq problèmes sous-jacents (détection, pistage, classification, cartographie et localisation). Nous montrons ainsi que cette approche permet de contourner naturellement les difficultés qui bornent les performances de la plupart des systèmes existants. La pertinence de l'analyse présentée dans ce document ainsi que la validité expérimentale des solutions proposées sont évaluées au travers d'une comparaison concrète entre deux systèmes de perception originaux conçus pour « percevoir» des piétons en environnement urbain.