Les avancées récentes dans les technologies de l'information et de la communication ont bouleversé les systèmes de transport. Leur exploitation a donné naissance à une nouvelle génération de "systèmes de transport intelligents" (Intelligent Transportation Systems -- ITS). Ceux-ci reposent sur des fonctions de perception, de raisonnement et d'action, impliquent un traitement de l'information en temps réel et exploitent des capacités de communication. Les ITS sont utilisés à des fins d'optimisation du trafic, de réduction des émissions polluantes, de sécurité, etc. Avec plus d'un milliard de voitures en circulation dans le monde, la sécurité routière est un enjeu majeur. Pour permettre une analyse de risques satisfaisante et la mise en œuvre de mesures de prévention de situations dangereuses, les systèmes d'assistance à la conduite doivent comprendre la circulation et en prévoir l'évolution. Or, la conduite est un processus complexe, impliquant l'analyse d'un nombre important de données issues de différentes sources ainsi que la synthèse de décisions soumises à des règles dans un environnement hautement dynamique. C'est pourquoi la prise en compte du comportement des conducteurs et de leurs interactions mutuelles est une condition nécessaire à toute prédiction du trafic. Cette thèse propose un schéma complet pour la prédiction des déplacements de véhicules en interaction. Une infrastructure de communication est supposée permettre un échange d'informations en temps réel entre tous les véhicules et une unité de traitement centralisée. La prédiction de la scène routière et du risque de collision par ce calculateur peut alors être retournée aux conducteurs des véhicules pour une prise de décision locale. La criticité d'un tel système nécessite de mettre en place, autant que possible, des procédures d'explication, voire de certification, de son bon fonctionnement. Afin d'éviter une solution monolithique fermée de bout en bout, le problème est abordé dans le cadre du filtrage Bayésien et s'appuie sur deux entités pouvant être appréhendées individuellement préalablement à leur exploitation conjointe. Une modélisation probabiliste de la dynamique a priori d'une flotte de véhicules est d'abord établie, qui capture les incertitudes sous-jacentes à la conduite ainsi que les interactions. Sur la base de ce modèle et des localisations individuelles reçues des véhicules, l'estimation et la prédiction de l'état de la flotte sont ensuite effectuées. La complexité des phénomènes mis en jeu dans les déplacements de véhicules en interaction ne permettant pas la définition d'un modèle de dynamique sous forme analytique, celui-ci est obtenu par application d'algorithmes d'apprentissage automatique sur une base de trajectoires acquises en conditions réelles. Des algorithmes de filtrage particulaire spécifiques sont mis en place afin de permettre l'inférence dans des espaces d'état de hautes dimensions. Le manuscrit détaille la combinaison de méthodes d'apprentissage supervisé par réseaux de neurones à densité de probabilité (Probability Density Networks -- PDN) ou non supervisé par auto-encodeurs variationnels conditionnels (Conditional Variational Auto-Encoders -- CVAE), avec des algorithmes de filtrage particulaire multiple (Multiple Particle Filter -- MPF) ou variationnel Bayésien (Variational Bayes Particle Filter -- VBPF). Les stratégies obtenues sont ensuite complétées par une méthode élémentaire de prédiction et d'analyse du risque de collision. L'ensemble est évalué et comparé à des approches de bout en bout à base de réseaux à mémoire court et long terme (Long Short Term Memory networks -- LSTM) sur un ensemble significatif de scénarios extraits d'une base de données publiques de véhicules autoroutiers. La capture des tendances à moyen terme fait l'objet d'une attention particulière.