Cette thèse aborde le problème du suivi et de la classification de plusieurs objets simultanément. Il est montré dans la thèse que les fonctions de croyance permettent d’améliorer les résultats fournis par des méthodes classiques à base d’approches Bayésiennes. En particulier, une précédente approche développée dans le cas d’un seul objet est étendue au cas de plusieurs objets. Il est montré que dans toutes les approches multi-objets, la phase d’association entre observations et objets connus est fondamentale. Cette thèse propose également de nouvelles méthodes d’associations crédales qui apparaissent plus robustes que celles trouvées dans la littérature. Enfin, est abordée la question de la classification multi-capteurs qui nécessite une seconde phase d’association. Dans ce dernier cas, deux architectures de fusion des données capteurs sont proposées, une dite centralisée et une autre dite distribuée. De nombreuses comparaisons illustrent l’intérêt de ces travaux, que les classes des objets soient constantes ou variables dans le temps.