La supervision des procédés biologiques utilisés pour la dépollution des eaux usées est une tâche complexe du fait des difficultés d'observation et de modélisation de ces procédés. En conséquence le diagnostic de ces procédés nécessite la prise en compte des incertitudes liées aux mesures et à la compréhension du système. Les travaux présentés dans cette thèse se proposent d'utiliser le cadre théorique du Modèle des Croyances Transférables afin de caractériser les différentes sources d'information portant sur l'état d'un système, de les agréger et ainsi de proposer un état ou un groupe d'états le plus crédible. Une méthode est proposée pour combiner des sources d'information définies sur des ensembles de définition différents, en l'occurrence pour la fusion de relations de diagnostic ; cette méthode permet de détecter le ou les capteurs potentiellement en panne ainsi qu'un conflit entre les sources d'information empêchant le système de conclure. La prise en compte des incertitudes des sources d'information permet d'utiliser des relations de diagnostic basées sur des modèles peu précis tels que les modèles par intervalle. De plus une méthode est proposée pour réaliser le diagnostic de l'état physiologique d'un procédé à partir de l'observation d'un nombre limité de variables. Cette méthode s'appuie sur un corps de règles floues et leur représentation sous forme de fonctions de croyances. La combinaison de ces règles au sein du formalisme des masses de croyance permet d'aboutir à une classification satisfaisante capable d'exhiber la qualité du diagnostic, tout en préservant la modularité du système. Ces méthodes permettent le diagnostic de l'instrumentation et de l'état physiologique d'un procédé biologique. Elles ont été appliquées pour le diagnostic de réacteurs ananérobies au sein du projet IST TELEMAC qui visait à développer des méthodes et des outils pour la télésupervision des procédés de dépollution. Biological process are widely used for wastewater treatment, but their supervision is a complex task because of observation and modelling difficulties. As a consequence their diagnosis needs to take into account uncertainties coming from measurement or from ill known models. The work presented in this thesis is proposing to use the Transferable Belief Model (TBM) formalism in order to characterize all available information sources and their uncertainties and then to aggregate them to be able to propose a state or a group of states highly possible for the process. Firstly a method is proposed to combine information sources defined on different definition sets, here to combine diagnosis relations defined on the sensors of a process ; this method allows one to detect one or several sensors having probably broken down. Uncertainty representation is here precious to use diagnosis relations based on low-precision models like interval models. Moreover another method is proposed to decide the biological state of a process with the observation of a limlited number of variables. This method is based on the representation of a corpus of fuzzy rules by belief functions and their combination. The combination produces good classification and preserves the modularity of the system ; furthermore the classification quality is exhibited. These methods based on the TBM formalism as a diagnosis framework have been applied to diagnose the instrumentation and the physiological state of an anaerobic process. They have been applied within the IST europen project TELEMAC whose goals were to develop methods and tools dedicated to the remote supervision of wastewater treatment plants.