Le travail de recherche présenté dans ce mémoire porte sur l'analyse théorique de l'approche fréquentielle d'(in-)validation de modèle de systèmes incertains qui consiste à caractériser les écarts objet/modèle par l'introduction non seulement de bruits perturbateurs, mais aussi d'opérateurs d'incertitude dans la relation fonctionnelle associée au modèle choisi. En supposant que les incertitudes et le bruit sont de norme bornée nous avons défini la notion de l'ensemble de modèles. Ceux que nous avons considérés sont formés à partir d'une représentation linéaire fractionnaire. La question générique du problème de validation de modèle de systèmes incertains ainsi étudiée dans cette thèse est la suivante : Etant données des mesures expérimentales et un ensemble de modèles, existe t il un modèle dans l'ensemble de modèles qui pourrait produire les données entrées/sorties observées? Ceci a demandé simplement de trouver un élément de l'ensemble de modèles et un élément de l'ensemble signal d'entrée inconnu tels que les informations observées sont produites exactement. <br />Le problème de trouver un tel membre de l'ensemble de modèles a été formulé selon deux stratégies. La première est de déterminer un signal de bruit de norme minimale tel que les données observées soient générées par le modèle entaché d'une incertitude de norme inférieure à 1. L'inconvénient de cette méthode est que le problème d'optimisation posé ne peut être résolu par le formalisme LMI que pour des cas spéciaux de l'ensemble de modèles. La deuxième stratégie étudiée est de déterminer simultanément la plus petite norme d'incertitude et la plus petite norme du signal de bruit telles que le modèle obtenu génère les données observées. Nous avons mené une étude comparative de ces deux problématiques et nous avons montré que la solution apportée par la valeur singulière structurée généralisée permet non seulement de répondre à la question générique pour une classe plus générale des ensembles de modèles mais aussi de prendre en compte la nature structurée du bloc d'incertitude.<br />Le procédé expérimental de trois cuves ainsi qu'un exemple académique de simulation ont fourni une excellente validation des méthodologies étudiées.

Le Sud-Est de l'Amérique du Sud (SESA) est l'une des rares régions subtropicales où les modèles climatiques du WCRP/CMIP3 projettent une augmentation significative des précipitations en été austral pour la fin du XXIème siècle, dans un scénario de réchauffement climatique. Ce signal est associé à une augmentation de la fréquence des étés identifiés comme des phases positives du mode dominant de la variabilité des précipitations dans la région, ce mode étant défini par des précipitations au-dessus (en-dessous) de la normale dans le SESA (zone de convergence d'Atlantique Sud). Cette tendance est associée à une augmentation de la température de surface de la mer (SST) dans le Pacifique équatorial. Cela est confirmé par des expériences de simulation numérique effectuées avec le système interactif two-way nesting du LMDZ4, qui montrent aussi que l'augmentation projetée des précipitations dans le SESA est associée au signal zonalement asymétrique du réchauffement des SST.

La détection d'homologues lointains est essentielle pour le classement fonctionnel et structural des séquences protéiques et pour l'amélioration de l'annotation des génomes très divergents. Pour le classement des séquences, nous présentons la méthode "ILP-SVM homology", combinant la programmation logique inductive (PLI) et les modèles propositionnels. Elle propose une nouvelle représentation logique des propriétés physico-chimiques des résidus et des positions conservées au sein de l'alignement de séquences. Ainsi, PLI trouve les règles les plus fréquentes et les utilise pour la phase d'apprentissage utilisant des modèles d'arbre de décision ou de machine à vecteurs de support. La méthode présente au moins les mêmes performances que les autres méthodes trouvées dans la littérature. Puis, nous proposons la méthode CASH pour annoter les génomes très divergents. CASH a été appliqué à Plasmodium falciparum, mais reste applicable à toutes les espèces. CASH utilise aussi bien l'information issue de génomes proches ou éloignés de P. falciparum. Chaque domaine connu est ainsi représenté par un ensemble de modèles évolutifs, et les sorties sont combinées par un méta-classificateur qui assigne un score de confiance à chaque prédiction. Basé sur ce score et sur des propriétés de co-ocurrences de domaines, CASH trouve l'architecture la plus probable de chaque séquence en appliquant une approche d'optimisation multi-objectif. CASH est capable d'annoter 70% des domaines protéiques de P. falciparum, contre une moyenne de 58% pour ses concurrents. De nouveaux domaines protéiques ont pu être caractérisés au sein de protéines de fonction inconnue ou déjà annotées.