Cette thèse propose une méthode originale de programmation de robot fondée sur l'inférence et l'apprentissage bayésien. Cette méthode traite formellement des problèmes d'incertitude et d'incomplétude inhérents au domaine considéré. En effet, la principale difficulté de la programmation des robots vient de l'inévitable incomplétude des modèles utilisés. Nous exposons le formalisme de description d'une tâche robotique ainsi que les méthodes de résolutions. Ce formalisme est inspiré de la théorie du calcul des probabilités, proposée par le physicien E.T. Jaynes : "Probability as Logic". L'apprentissage et les techniques de maximum d'entropie traduisent l'incomplétude en incertitude. L'inférence bayésienne offre un cadre formel permettant de raisonner avec cette incertitude. L'apport principal de cette thèse est la définition d'un système générique de programmation pour la robotique et son application expérimentale. Nous l'illustrons en utilisant ce système pour programmer une application de surveillance pour un robot mobile : le Khepera. Pour cela, nous utilisons des ressources génériques de programmation appelées "descriptions". Nous montrons comment définir et utiliser de manière incrémentale ces ressources (comportements réactifs, fusion capteur, reconnaissance de situations et séquences de comportements) dans un cadre systématique et unifié. Nous discutons des différents avantages de notre approche : expression des connaissances préalables, prise en compte et restitution de l'incertitude, programmation directe et inverse. Nous proposons des perspectives à ce travail : choix d'architecture et planification. Nous situons notre travail dans un cadre épistémologique plus vaste en opposant, dans le cadre de la robotique autonome, l'approche "classique" relevant de la "cognition de haut niveau" et l'approche "réactive" associée à une "cognition de bas niveau". Nous montrons finalement comment nos travaux proposent de faire le lien entre ces deux extrêmes.