Les forêts aléatoires sont une stratégie de classification efficace qui estime les probabilités a posteriori des classes en calculant la moyenne des probabilités fournies par les arbres. Lorsque les données d'entraînement sont peu nombreuses, cette estimation devient difficile. Le modèle de Dirichlet imprécis peut être utilisé pour rendre l'estimation robuste en fournissant des intervalles de probabilités en sortie de chaque arbre. Se pose alors la question de l'agrégation des ces intervalles. Nous proposons ici une nouvelle stratégie d'agrégation basée sur la théorie des fonctions de croyance. Nous proposons également d'attribuer des poids aux arbres en fonction de leur degré d'incertitude lors de la classification d'une nouvelle instance. Notre approche est comparée expérimentalement à l'approche de base (moyenne des intervalles) sur plusieurs jeux de données.