Ici on propose un syst me de d tection et de pr vision d'intrusions base de r seaux d'inf rence incertaine et impr cise. Partant d'un historique de sessions, il s'agit de proposer une m thode d'apprentissage supervis doubl e d'un classifieur permettant d'extraire les connaissances n cessaires pour identifier la pr sence ou non d'une intrusion dans une session et dans le cas positif de reconna tre son type et de pr voir les ventuelles intrusions qui l'ensuivent. L'originalit de notre approche est qu'elle int gre dans le cadre d'un syst me global anti-intrusions d tection d'intrusions au niveau des h tes (HIDS) et pr vision d'intrusions au niveau du r seau (NIPS), se basant dans les deux couches sur une hybridation bay sienne possibiliste. Les donn es utilis es pour l'exp rimentation de notre syst me sont propos es par KDD'99 et DARPA 2000. Les r sultats exp rimentaux prouvent que le syst me de d tection et de pr vision d'intrusions base d'une hybridation bay sienne possibiliste ici propos e peut efficacement g rer l'incertitude et l'impr cision et exploiter toutes les donn es disponibles.