Cet article s'intéresse à l'inférence probabiliste dans les systèmes dynamiques multi-cibles. Dans un contexte où les cibles et/ou les observations peuvent évoluer, la plupart des algorithmes ne se servent pas complètement de l'incrémentalité du système pour optimiser les calculs. Cela induit des calculs inutiles et peut augmenter considérablement les temps d'in-férence, particulièrement pour les systèmes de grande taille. Pour pallier ce problème, nous proposons un nouvel algorithme d'arbre de jonction utilisant une technique par envoi de messages. Étant donné une nouvelle requête, cet algorithme permet de minimiser les calculs en recalculant uniquement les messages différents des calculs précédents. Nous montrons l'effica-cité de notre approche par des résultats expérimentaux. ABSTRACT. This article addresses the question of probabilistic inference in multi-target dynamic systems. In a context where targets and/or evidence may evolve, most of the algorithms do not completely exploit the incrementality to optimize computations. This leads to useless computations and may increase significantly inference times. To cope with this problem, we propose a new junction tree-based message-passing inference algorithm that, given a new request , optimizes computations by only recomputing messages that are different from preceding computations. We highlight the efficiency of our approach by experimental results. MOTS-CLÉS : Réseaux bayésiens, inférence incrémentale, arbre de jonction.