L’évaluation des données nucléaires avec la production de fichiers internationaux intégrés dans une bibliothèque internationale comme la bibliothèque européenne (JEFF) est d’importance majeure pour l’ensemble des calculs de systèmes et réacteurs nucléaires actuels et futurs. L’évaluation et la maîtrise des incertitudes associées à ces données nucléaires est une tâche particulièrement délicate qui fait intervenir des résultats d’expériences « intégrales » et requiert l’emploi de techniques d’inférence bayésienne avancées. L’objectif de cette thèse est de développer une approche de VVQI/T (Vérification, Validation, Quantification d'Incertitudes et Transposition) des codes de calcul neutronique du CEA qui prenne en compte l’ensemble des sources d’incertitudes (données nucléaires, données géométriques et matérielles, approximations de modèles,…) qui interviennent dans l'équation du transport des neutrons. Pour traiter ces incertitudes de nature aléatoires et épistémiques, on aura recours, conjointement, au cadre bayesien standard et aux méthodes d'apprentissages machine récentes (Deep Learning). En particulier, cette thèse contribuera au travail délicat d’assimilation de données issues de mesures intégrales telles que celles disponibles dans les bases internationales de type IRPhE. Ce travail est essentiel à la validation de la nouvelle bibliothèque européenne JEFF4.