La combinaison de plusieurs classifieurs, entrainés à partir de données ou caractéristiques distinctes, présente de nombreux intérêts pour les problèmes d'apprentissage supervisé. L'une des difficultés majeures de la combinaison est de représenter les sorties des différents classifieurs sous une forme commune, dans la plupart des cas sous la forme d'une probabilité à postériori. Cette transformation, appelée calibration, joue un rôle central dans la combinaison. Dans cet article, nous étendons les approches classiques de calibration probabilistes en utilisant la théorie des fonctions de croyance. Nous montrons, notamment, l'importance d'utiliser une borne inférieure et supérieure plutôt qu'une simple mesure probabiliste. Des résultats expérimentaux sur la transformation de scores SVM montrent l'apport des fonctions croyances.