Aujourd'hui, surtout dans le monde numérique, il nous est demandé nos préférences sur toute sorte de choses. La modélisation et gestion de ces préférences ouvrent de nouveaux défis. Ces travaux se concentrent sur les imperfections dans l'information des préférences, telles que l'incertitude, l'imprécision et l'incomplétude. Dans cette thèse, nous passons en revue les méthodes d'état de l'art sur l'agrégation et l'apprentissage des préférences. Fondé sur la théorie des fonctions de croyance, nous proposons une modèle, nommé BFpref, permettant à raisonner les préférences au niveau du coupe à partir d’un degré de croyance. Le modèle BFpref est capable de représenter l'incertitude, l'imprécision ainsi que l'incomplétude par l'ignorance totale dans le cadre des fonctions de croyance. Nous proposons ensuite des stratégies pertinentes pour fusionner de multiple préférences crédibilistes. De plus, une distance sur les préférences imparfaites est introduite afin de tenir compte différemment des quatre types de relations de préférence. Cette distance est nommée Weighted Singleton Distance (WSD). La classification non-supervisée sur les préférences crédibilistes est aussi étudiée en distinguant les préférences complètes et incomplètes.