La maintenance optimale des structures vise à garantir des niveaux minimales de fiabilité et capacité de service en réduisant le nombre d’inspections et de réparations durant la vie utile de l’ouvrage. A fin d’optimiser le planning de maintenance, une réévaluation de la structure existante est nécessaire pour la mise-à-jour des propriétés du matériau et/ou l’état de dégradation de la structure. Les inspections donnent des informations importantes pour cette réévaluation. Les inspections peuvent se appuyer sur des techniques d’auscultation destructives ou de contrôle non destructif (CND). Les résultats issus de techniques semi-destructives ou destructives donnent généralement des valeurs très fiables. Par contre, ils sont couteaux et ne peuvent pas s’effectuer en grand nombre afin de caractériser les incertitudes et la variabilité spatiale des variables d’intérêt. Dans d’autres cas, les difficultés d’accès aux zones d’inspection, privilégient le choix de méthodes CND. A nos jours, des nombreuses études modélisent l’incertitude des propriétés/quantités d’intérêt à l’aide de variables aléatoires et sa variabilité spatiale de par des champs stochastiques. Les incertitudes et sa variabilité spatiale peuvent se caractériser à partir d’inspections CND. Par conséquent, nous proposons ici une méthode pour optimiser la localisation et le nombre d’inspections sous contrainte de la qualité de l’inspection. La caractérisation peut avoir lieu à partir d’un ensemble de mesures expérimentales provenant des campagnes d’inspection où les paramètres mesurés sont des propriétés du matériau et/ou une quantité d’intérêt. Nous supposons que le type de distribution et la nature du champ aléatoire sont connus et nous cherchons à caractériser leurs paramètres. La méthode proposée a été illustrée en étudiant plusieurs cas pratiques où il existe des limitations dans longueur et/ou dans le nombre d’éléments. Les résultats indiquent qu’il y a des configurations d’auscultation optimales qui améliorant la caractérisation de l’aléa et la variabilité spatiale des quantités d’intérêt.