Cette thèse considère la modélisation de connaissances expertes par des règles implicatives floues. Elle étudie les avantages de ces règles par rapport aux règles les plus utilisées parmi les règles floues : les règles conjonctives. Cependant, l'inférence à partir de règles implicatives et d'entrées floues n'est pas simple et a longtemps été un frein à leur utilisation, les principales difficultés étant la complexité de l'inférence avec plusieurs règles et des entrées floues, la conception de partitions adaptées, et l'interprétation sémantique pour des utilisateurs habitués au raisonnement avec des règles floues conjonctives. Nos travaux portent sur ces points. Nous présentons une méthode d'inférence à partir de règles implicatives floues et d'entrées floues, qui permet d'implémenter facilement le raisonnement implicatif dans les cas mono et bidimensionnels. Nous donnons aussi des éléments de comparaison entre règles conjonctives et implicatives, et nous étudions la sémantique de ces différentes règles, d'un point de vue logique et pratique.Une illustration à un cas réel dans le domaine de l'agroalimentaire est présentée. Il s'agit de prévoir les défauts éventuels du fromage de Comté après affinage à partir des informations avant affinage, les informations disponibles étant composées des connaissances expertes du CTFC (Centre Technique des Fromages Comtois), et des données sur le procédé. Les méthodes développées étant génériques, les outils proposés sont utilisables pour une classe d'applications large : celle où les connaissances expertes s'expriment sous forme d'un modèle. Ils offrent des pistes de modélisation qui respectent à la fois l'imprécision des données et les caractéristiques du raisonnement expert.