La théorie du filtrage concerne essentiellement l’estimation optimale de l’état dans les systèmes stochastiques, surtout avec des mesures partielles et bruitées. Ce domaine, fortement lié à la théorie du contrôle, se concentre sur la synthèse d'estimateurs effectuant des calculs en temps réel pour minimiser l'erreur quadratique moyenne. La nécessité de telles estimations devient de plus en plus critique avec la prolifération de systèmes contrôlés par réseau, tels que les véhicules autonomes et les processus industriels complexes, où les processus d'observations sont soumis au caractère aléatoire de la transmission, ce qui donne lieu à des modèles d'information variables pour résoudre le problème d'estimation.Cette thèse aborde la tâche importante de l'estimation d'état dans les systèmes dynamiques stochastiques en temps continu lorsque les mesures sont disponible aux certains instants discrets defini par un processus aléatoire. En adaptant les méthodes d'estimation classiques, nous développons des équations pour un estimateur optimal d'état, explorons leurs propriétés et les aspect pratiques, et proposons et analysons des alternatives sous-optimales, présentant des parallèles avec les techniques existantes dans le domaine d'estimation classique lorsqu'elles sont appliquées aux processus d'observation Poisson-distribués.L'étude couvre trois classes de modèles mathématiques pour le système dynamique en temps continu et le processus d'observation discret. Tout d’abord, nous considérons des équations différentielles Ito-stochastiques avec le champ de vecteur Lipschitz et un coefficient de diffusion constant, alors que le processus d’observation discrète de dimension inférieure comprend la fonction nonlinéaire de l’état et un bruit Gaussien additif. Nous proposons des estimateurs d’état sous-optimaux continus-discrets, qui sont faciles à implémenter pour cette classe de systèmes. En supposant qu'un compteur de Poisson décrit les instants discrets auxquels les observations sont disponibles, nous calculons le processus de covariance d’erreur d’estimation. L'analyse est effectuée pour fournir les conditions de limitation du processus de covariance d'erreur, ainsi que la dépendance au taux d'échantillonnage moyen.Deuxièmement, nous considérons les systèmes dynamiques décrits par des chaînes de Markov en temps continu avec un espace d'état fini, et le processus d'observation est obtenu en discrétisant un processus stochastique conventionnel piloté par un processus de Wiener. Dans ce cas, nous montrons la convergence $L_1$ de l'estimateur optimal vers l'estimateur optimal classique (purement continu) (filtre de Wonham) quand l'intensité des processus de Poisson augmente.Enfin, nous étudions les filtres à particules continus-discrets pour les processus d'Ornstein-Uhlenbeck avec des observations discrètes décrites par des fonctions d'état linéaires et un bruit Gaussien additif. Les filtres à particules ont gagné beaucoup d'intérêt pour l'estimation d'état dans les modèles à grande échelle avec des mesures bruitées où le calcul du gain optimal est soit coûteux en calcul, soit pas entièrement réalisable en raison de la complexité de la dynamique. Dans cette thèse, nous proposons des processus de diffusion de type McKean–Vlasov continus-discrets, qui servent de modèle de champ moyen pour décrire la dynamique des particules. Nous étudions plusieurs types de processus de champ moyen en fonction de la manière dont les termes de bruit sont inclus pour l'imitation du processus d'état et du modèle d'observation. Les particules résultantes sont couplées via des covariances empiriques qui sont mises à jour en temps discrets avec l'arrivée de nouvelles observations. Avec une analyse appropriée des premier et deuxième instants, nous montrons que sous certaines conditions sur les paramètres du système, les performances des filtres à particules se rapprochent du filtre optimal quand le nombre de particules augmente.