Résumé Dans le domaine de l’Intelligence Artificielle, la problématique de la représentation des connaissances incertaines et du raisonnement constitue un pôle important. Issue de la théorie des possibilités, développée par Dubois et Prade, la logique possibiliste se propose de prendre en compte l’incertitude dont sont entachées les connaissances. Avec l’avènement du paradigme multi-agents, il s’est avéré naturel et nécessaire de développer une logique possibiliste afin de prendre en compte des croyances partagées par un ensemble d’agents. Sur le plan de la représentation, cette thèse propose dans un premier temps une extension multi-agents de la logique propositionnelle. La logique multi-agents a pour but de modéliser les croyances d’un ensemble d’agents. Dans un second temps, une autre extension dans le cadre de la logique possibiliste collective graduée est proposée. Cette deuxième extension, nomée logique possibiliste multi-agents, permet de décrire les croyances graduées d’un sous-ensemble d’agents. Du point de vue du raisonnement, un algorithme de réfutation par résolution pour une base de connaissances multi-agents a été développé. Ce dernier est une adaptation de l’algorithme A∗ . Un algorithme d’inférence pour la logique possibiliste multi-agents est aussi développé. Ce dernier est une généralisation de l’algorithme d’inférence de la logique multi-agents. Les deux algorithmes proposés ont été mis en oeuvre et une étude expérimentale a été ensuite menée. Les résultats ont été très prometteurs en utilisant différentes tailles d’instances des connaissances.