L’optimisation sous incertitudes est maintenant fréquemment utilisée en ingénierie mécanique, ce type d’optimisation est capable de produire des résultats à la fois fiables et robustes. Le défi principal de l’optimisation sous incertitudes est son coût de calculs, qui est la somme du coût des itérations de l’algorithme d’optimisation et du coût de propagation des incertitudes. Ce coût est d’autant important que ces problèmes de design nécessitent des simulations numériques pour calculer leurs fonctions objectifs et contraintes. Ces fonctions originales sont souvent remplacées par des méta-modèles afin de compenser ces coûts de calculs. Dans ce travail nous abordons une nouvelle classification des problèmes d’optimisation sous incertitudes. Cette nouvelle classification est basée sur les conditions nécessaires à la définition de chaque type d’optimisation sous incertitudes. Une méthode générale pour détecter ces conditions est introduite, cette méthode est un outil efficace pour aider le designer à choisir le type d’optimisation sous incertitudes nécessaire à mettre en œuvre. Une démarche globale pour résoudre les problèmes d’optimisation robuste basée sur une version modifiée de l’algorithme EGO avec des métamodèles adaptatifs est également introduite. Cette nouvelle méthode est validée sur des problèmes académiques tests et son efficacité est mise en valeur sur un problème industriel d’emboutissage.