Dans ce travail, nous étudions de manière approfondie les lois $\al$-stables (lois à variance infinie). Dans le premier chapitre, nous rappelons les différentes propriétés des lois $\al$-stables univariées (stabilité, calcul des moments, simulation). Nous introduisons ensuite les lois symétriques $\al$-stables (\SaS) multivariées. Après avoir parlé de la mesure spectrale et de son intérêt pour caractériser l'indépendance, nous nous concentrons sur les mesures de dépendance. Constatant que le coefficient de covariation, largement utilisé actuellement, admet certaines limites, nous construisons dans le deuxième chapitre une nouvelle mesure de dépendance, appelée coefficient de covariation symétrique. Ce dernier nous permet, entre autres, de découvrir quelques spécificités des vecteurs \SaS. En effet, contrairement aux vecteurs gaussiens, on peut obtenir pour certains vecteurs \SaS\ à la fois une dépendance positive et une dépendance négative. Après avoir conclu le chapitre par l'étude de la loi asymptotique de l'estimateur du coefficient de covariation, nous abordons, dans le troisième chapitre, les processus autorégressifs à innovations stables. Nous présentons les différentes méthodes d'identification de l'ordre d'un processus AR: autocorrélation partielle (Brockwell et Davis) et statistiques quadratiques asymptotiquement invariantes basées sur les rangs (Garel et Hallin). De nombreuses simulations, effectuées en Matlab et Fortran, nous permettent de comparer ces méthodes et de constater l'importance du rôle joué par les statistiques de rang dans ce domaine. Pour finir, un problème de test séquentiel, développé dans le cadre d'un contrat industriel, nous permet d'introduire la notion de niveau de confiance après décision.