Le filtre de Kalman-Bucy permet l'estimation et la prédiction des modèles espace-état. Il est souvent confronté à des observations incertaines, par exemple quand elles proviennent de mesures bruitées d'un signal physique (capteurs, météo, etc.). Plutôt que de considérer les covariables comme des quantités déterministes, ce qui est fait classiquement, notre objectif est de prendre en compte leurs incertitudes et d'étudier la robustesse du filtre. Plus précisément, le filtre de Kalman est une approche bayésienne qui donne l'estimation de la loi a posteriori de l'état, conditionnellement aux observations passées. Nous raffinons cette approche en intégrant les incertitude des covariables dans le modèle, c'est-à-dire en les considérant comme des variables aléatoires dont la loi doit être estimée.