Les algorithmes de filtrage visent à restituer l'état de systèmes dynamiques stochastiques à partir d'observations partielles et bruitées. Cette thèse étudie l'estimation d'état lorsque les observations se produisent à des moments discrets aléatoires, en se concentrant à la fois sur les calculs optimaux et sous-optimaux. La configuration implique des processus de Poisson et nécessite une formulation spécialisée. Nous adaptons les méthodes d'estimation classiques, proposons des équations pour les estimateurs d'état optimaux, explorons leurs propriétés et évaluons des alternatives sous-optimales. Trois modèles mathématiques sont examinés : les équations différentielles Ito-stochastiques avec des observations distribuées selon une loi de Poisson, les filtres d’ensemble continus-discrets et les chaînes de Markov en temps continu avec des espaces d'états finis. Ce travail contribue à l'analyse et à la mise en œuvre pratique d'estimateurs d'éta! t en temps réel dans des systèmes stochastiques.