L’optimisation du contrôle de l’aération dans les stations d’épuration est essentielle pour répondre aux objectifs économiques et environnementaux. Le développement de stratégies avancées reste freiné par la difficulté de calibrer des modèles prédictifs fiables à partir de données limitées, partielles et bruitées. Cette thèse propose un cadre méthodologique unifié, de la modélisation à la commande, fondé sur les modèles stochastiques à espace d’état et l’assimilation de données afin d’estimer les dynamiques du procédé, reconstruire les états latents et quantifier rigoureusement les incertitudes. L'étude comparative des diverses familles de modèles (mécanistes, boîtes grises, boîtes noires) et des stratégies de contrôle en temps réel aboutit à la sélection d'une architecture robuste, combinant un modèle non paramétrique et la Programmation Dynamique Stochastique. Cette solution est ensuite validée dans une simulation en boucle fermée réaliste et testée face à des perturbations non modélisées, telle que la variabilité de la charge polluante. Il est démontré que ce cadre réduit les coûts d’exploitation de 15 à 25 % tout en respectant les contraintes, y compris en l'absence d'information sur les perturbations externes. Enfin, l'étude démontre que la performance de la commande repose moins sur la quête d'une justesse prédictive absolue que sur la capacité du contrôleur stochastique à intégrer l'incertitude globale, y compris les perturbations non modélisées, dans sa politique de décision.