La gestion des espèces est entièrement dépendante de notre capacité à évaluer les décisions de gestion et de les corriger si nécessaire. Dans un monde idéal les gestionnaires auraient une connaissance extensive et mécanistique des systèmes qu’ils gèrent et ces connaissances seraient mises à jour de façon continue. Dans la réalité, les gestionnaires doivent gérer les populations et développer des objectifs de populations en dépit de leur connaissance imparfaites et des manques de données chronique. L’émergence de nouveaux outils statistiques ouvrent toutefois la porte à de nouvelles possibilités ce qui permet une gestion plus proactive de la faune. Dans le Chapitre 1, j’ai évalué l’efficacité de modèles intégrés de populations (MIP) à combler des lacunes dans notre connaissance en présence de données limitées et de modèles de populations mal spécifiés. J’ai démontré que les MIP peuvent maintenir une précision élevée et présenter un biais faible, et ce dans une large gamme de conditions. Dans le chapitre 2, j’ai développé une approche de MIP qui inclut des effets aléatoires entre les différentes populations. J’ai constaté que les effets aléatoires permettent améliorer considérablement les performances des algorithmes d'optimisation, produisent des estimations raisonnables et permettent même d'estimer les paramètres pour les populations avec des données très limitées. J’ai par la suite appliqué le modèle à 51 unités de gestion du Wapiti en Idaho, USA afin de démonter son application. La viabilité des populations à long terme est généralement réalisé à grâce à des manipulations d’habitat qui sont identifiées grâces à des méthodes de sélection des ressources. Les méthodes basées sur la sélection des ressources assume cependant que l’utilisation disproportionnée d’une partie du paysage reflète la volonté d’un individu de remplir une partie de son cycle biologique. Toutefois, dans le troisième chapitre j’ai démontré que des simples mesures d’habitat sont à mieux de décrire la variation dans la survie des Wapitis. Selon, mes résultats, la variation individuelle dans la sélection des habitats était le modèle qui expliquait le mieux la corrélation entre les habitats et le succès reproducteur et que les coefficients de sélection des ressources n’étaient pas corrélés à la survie. / Successful management of harvested species critically depends on an ability to predict the consequences of corrective actions. Ideally, managers would have comprehensive, quantitative and continuous knowledge of a managed system upon which to base decisions. In reality, wildlife managers rarely have comprehensive system knowledge. Despite imperfect knowledge and data deficiencies, a desire exists to manipulate populations and achieve objectives. To this end, manipulation of harvest regimes and the habitat upon which species rely have become staples of wildlife management. Contemporary statistical tools have potential to enhance both the estimation of population size and vital rates while making possible more proactive management. In chapter 1 we evaluate the efficacy of integrated population models (IPM) to fill knowledge voids under conditions of limited data and model misspecification. We show that IPMs maintain high accuracy and low bias over a wide range of realistic conditions. In recognition of the fact that many monitoring programs have focal data collection areas we then fit a novel form of the IPM that employs random effects to effectively share information through space and time. We find that random effects dramatically improve performance of optimization algorithms, produce reasonable estimates and make it possible to estimate parameters for populations with very limited data. We applied these random effect models to 51 elk management units in Idaho, USA to demonstrate the abilities of the models and information gains. Many of the estimates are the first of their kind. Short-term forecasting is the focus of population models, but managers assess viability on longer time horizons through habitat. Modern approaches to understanding large ungulate habitat requirements largely depend on resource selection. An implicit assumption of the resource selection approach is that disproportionate use of the landscape directly reflects an individual’s desire to meet life history goals. However, we show that simple metrics of habitat encountered better describe variations in elk survival. Comparing population level variation through time to individual variation we found that individual variation in habitat used was the most supported model relating habitat to a fitness component. Further, resource selection coefficients did not correlate with survival.