L'acquisition et la représentation des connaissances est un aspect central dans le domaine de l'Intelligence Artificielle car une machine intelligente doit avant tout s'appuyer sur des informations représentant le monde de façon suffisamment précise. Cette difficulté à disposer d'une représentation correcte du monde est particulièrement importante lorsque l'on a à faire à un monde changeant ou à des informations provenant de sources multiples. Nous proposons dans cette thèse une méthode de fusion syntaxique de croyances dans le cas où les croyances sont représentées dans le cas où il n'existe pas de priorités explicites ni entre les agents, ni entre les croyances exprimées par les agents. Cette méthode, appelée fusion par R-ensembles, repose sur la recherche des sous-ensembles de formules à retirer afin de restaurer la cohérence. Nous avons réalisé une mise en œuvre de cette méthode basée sur la traduction du problème de fusion en un programme logique avec sémantique des modèles stables. Nous avons d'abord proposé deux implantations : une adaptation de l'algorithme smodels ainsi qu'une autre implantation basée sur les instructions fournies par Lparse/Gringo. Nous avons testé cette dernière implantation avec des expérimentations portant sur des profils de croyances générés aléatoirement ainsi que sur les données issues d'un projet européen portant sur le relevé en archéologie sous-marine. Dans un deuxième temps, cette thèse propose une extension de la fusion par R-ensembles dans deux directions. Nous nous sommes ainsi intéressés au cas où des préférences sont exprimées entre les agents ou entre les croyances exprimées par chaque agent. Nous nous sommes également penchés sur le cas où les croyances sont exprimées sous forme de programmes logiques.