Ces travaux de recherche se sont déroulés dans le cadre du développement d'une application de télévigilance médicale ayant pour but de détecter des chutes à travers l'utilisation de plusieurs types de capteurs possèdent différents degrés d'imperfection et de confiance. Parmi les techniques de fusion multi-capteurs, les méthodes crédibilistes fondées sur les fonctions de croyance de Dempster-Shafer sont actuellement considérées comme les plus adaptées à la représentation et au traitement des informations imparfaites. En nous appuyant sur une représentation graphique de la théorie de Dempster-Shafer appelée Réseaux Évidentiels, nous proposons dans ces travaux une structure de fusion de données hétérogènes issues de plusieurs capteurs afin de maximiser les performances de détection automatique de chutes et ainsi de rendre le système plus fiable. La non-stationnarité des signaux recueillis sur les capteurs du système de télévigilance, telles que la présence de bruit de mesure, la variabilité des signaux enregistrés par les capteurs, les capteurs défaillants ou non fiables, peuvent rendre les Réseaux Évidentiels incohérents dans leurs décisions. Afin de compenser les effets résultant de cette la non-stationnarité, les Réseaux Évidentiels sont rendus évolutifs dans le temps, ce qui nous a conduits à introduire les Réseaux Evidentiels Dynamiques dans nos traitements et à les évaluer sur des scenarios de chute simulés correspondant à des cas d'usage variés.