Dans le domaine de la modélisation des systèmes sensorimoteurs, qu’ils soient artificiels ou naturels, nous nous intéressons à la définition et à l’étude de modèles probabilistes structurés des fonctions et représentations cognitives. Dans ce but, nous utilisons le formalisme de la Programmation Bayésienne, développé initialement dans le domaine de la programmation robotique. Il offre un langage mathématiquement unifié pour exprimer et manipuler des connaissances, dans des modèles arbitrairement complexes. Nous l’appliquons à la modélisation cognitive, pour obtenir des Modèles Bayésiens Algorithmiques de plusieurs systèmes perceptifs et moteurs. De cette manière, nous définissons le modèle BAP pour la lecture et l’écriture de lettres cursives isolées, le modèle BRAID pour la reconnaissance de mots, le modèle COSMO-Emergence pour l’émergence de codes de communication, le modèle COSMO-Perception pour la perception des syllabes, le modèle COSMO-Production pour la production de séquences de phonèmes. Nous discutons enfin la place de la Modélisation Bayésienne Algorithmique dans le panorama actuel de la modélisation bayésienne en Science Cognitive, défendant le besoin d’une distinction claire entre les explications computationnelles et algorithmiques des fonctions cognitives, et proposant une méthodologie de comparaison de modèles pour explorer et contraindre les propriétés de modèles probabilistes complexes, d’une manière systématique.