Les travaux de ce mémoire portent sur l'analyse et la conception optimale de systèmes manufacturiers composés de machines non fiables. Les systèmes considérés peuvent opérer selon une structure réseau d’assemblage/désassemblage. Des stocks tampons sont placés entre les machines pour les découpler les unes des autres. Ces machines peuvent opérer en mode de fonctionnement dégradé. Chaque machine est modélisée comme un système à trois états : fonctionnement nominal, panne totale et mode dégradé. On considère que le mode de fonctionnement dégradé affecte uniquement le taux de production nominal des machines et non la qualité des pièces produites. Afin d’évaluer le taux de production d’un tel réseau manufacturier à machines multi-états (dit complexe), une méthode d’évaluation analytique est tout d’abord explorée. Cette méthode consiste à remplacer chaque machine par une machine équivalente à deux états, puis à appliquer ensuite une des méthodes existantes pour les réseaux avec machines binaires. Après avoir découvert que cette méthode est imprécise même dans le cas simple de deux machines multi-états séparées par un stock, nous avons utilisé une simulation à base du logiciel Simio en vue d’une conception optimale du réseau. Dans cette conception, il est question de faire une sélection conjointe des technologies des machines et des tailles de stocks. L’objectif de l’optimisation est de maximiser le taux de production sous des contraintes de budget. La plupart des travaux existants considèrent le problème d’allocation des stocks tampons pour des lignes séries ou séries-parallèles, en considérant que les technologies des machines sont déjà choisies. L’extension ainsi développée est validée en utilisant différentes instances générées aléatoirement. Pour ce faire, le modèle de simulation développé est couplé à deux méthodes d’optimisation. La première méthode utilise l’outil d'optimisation OptQuest. La seconde méthode est une nouvelle heuristique basée sur un algorithme génétique (AG). Dans chacune des méthodes, l’outil d’optimisation se sert de l’estimation du taux de production effectuée par l’outil de simulation dan #s sa fonction d’objectif. Notre nouvelle méthode (simulation/AG) est comparée à une approche couplant une méthode analytique à un AG dans le cas de machines binaires. Les résultats numériques obtenus illustrent l’efficacité de notre méthode au niveau de la qualité des solutions, au détriment d’un temps de calcul moins performant.