---

Dans cet ouvrage, nous nous sommes intéressés au filtre de Kalman couple. Celui-ci intègre, par rapport au modèle original, de nouvelles possibilités d´interactions entre états cachés et observations, tout en conservant des algorithmes exacts et rapides dans le cas linéaire et gaussien. Nous étudions plus particulièrement le problème de l´estimation non supervisée et robuste des paramètres d´un filtre de Kalman couple à partir d´observations en nombre limité. Le manuscrit décrit ainsi plusieurs algorithmes d´apprentissage par estimation du maximum de vraisemblance selon le principe EM (Expectation-Maximization). Ces algorithmes originaux permettent d´intégrer des contraintes a priori sur les paramètres du système étudié, comme expressions de connaissances partielles sur la physique de l´application ou sur le capteur. Ces systèmes contraints réduisent l´ambigu‹té liée au problème d´identifiabilité du filtre de Kalman couple lors de l´estimation des paramètres. Ils permettent également de limiter le nombre de maxima locaux de la fonction de vraisemblance en réduisant la dimension de l´espace de recherche, et permettent d´éviter parfois le piégeage de l´algorithme EM.

---