L'objectif de cette thèse est l'étude de méthodes permettant la prise en compte d'incertitude dans des problèmes d'ordonnancements à l'aide de structures de données représentant un ensemble de solutions de façon compacte. La première partie de cette thèse présente les problèmes d'ordonnancement sous incertitude, et introduit les méthodes de résolution dont nous ferons usage dans cette thèse. Le seconde partie s'intéresse à des problèmes d'ordonnancement à une machine et des problèmes de jobshop, où l'incertitude porte sur les dates de disponibilité des tâches ou sur leurs durées. L'incertitude est modélisée par un ensemble de scénarios discrets, et nous supposons un modèle d'information minimaliste, dans lequel l'incertitude est levée lors du fait accompli. Nous considérons des objectifs stochastiques et robustes pour plusieurs critères réguliers, que nous utilisons pour guider la recherche de solution dans une phase hors-ligne, sur un ensemble de scénario d'entraînement; puis nous évaluons ces solutions sur un ensemble de scénarios de test dans une phase en ligne. Nous nous intéressons particulièrement aux différent types de décisions partielles qui peuvent être prises lors de la phase hors-ligne, telles que l'heuristique "First-in First-out", guidée par les informations révélées lors de la phase en ligne, complète la décision pour obtenir un ordonnancement. Les décisions partielles que nous considérons restreignent l'espace des solutions à des ensembles de séquences de tâches. Ces ensembles sont décrits par des structures de données comme les simples séquences (comme dans la littérature en ordonnancement stochastique ou robuste), des séquences de groupes d'opérations permutables, ou des diagrammes de décision multivalués. Nous proposons plusieurs méthodes pour prendre la meilleure décision partielle hors-ligne étant donnée la décision heuristique en ligne et le type de structure considérée. Des expérimentations évaluent les différentes approches selon les objectifs et les paramètres des instances considérées et montrent l'intérêt des nouvelles approches proposées. Enfin, le troisième partie vise à formaliser l'étude, à la lumière du formalisme de la compilation de connaissance, des différentes structures utilisées (appelées langages de représentation dans ce contexte). Dans cette partie, nous considérons une variante décisionnelle d'un problème d'ordonnancement à une machine. L'incertitude n'y est pas modélisée explicitement, mais l'objectif est de déterminer, en fonction des structures de données utilisées pour représenter l'ensemble des solutions du problème, quels aléas il est possible de prendre en compte, par exemple en remettant à jour rapidement l'ensemble des solutions face à un aléa. L'objectif étant de calculer dans une phase hors-ligne une représentation du problème, qui serve d'outil à un décideur et permette la prise en compte d'un maximum d'aléas lors de la phase en ligne. Différents langages qui représentent le problème par un ensemble de séquences de tâches correspondant à des solutions admissibles sont considérés (parmi lesquels les structures de données de la seconde partie). Les langages sont comparés selon des critères d'expressivité, de compacité, et en fonction des requêtes qu'ils satisfont. Les résultats établis permettent de dresser une carte de compilation des langages étudiés et de guider un utilisateur dans le choix d'un langage de représentation. Les résultats de l'étude menée dans cette thèse montrent expérimentalement que le calcul de solution en amont est très difficile, mais utiliser des départs à chaud semble prometteur. Les résultats théoriques permettent de comparer plusieurs langages, mais n'identifient pas de candidat pleinement satisfaisant pour le problème considéré. Enfin, les résultats suggèrent de nombreuses pistes de travail futures, en particulier à l'intersection des domaines de l'ordonnancement et de la compilation de connaissances, qui sont rarement considérés conjointement.