La conception de véhicules complexes, comme des lanceurs spatiaux et des véhicules hypersoniques, s'appuie souvent sur des modèles physiques, appelés simulateurs, pour prédire leur comportement. Dans cette thèse, les simulateurs prennent un vecteur en entrée et un champ discrétisé sur un maillage en sortie, dont les points sont localisés aux nœuds ou aux mailles. Des incertitudes peuvent affecter les entrées du simulateur, qu'il s'agisse d'incertitudes de conception (dimensions, propriétés des matériaux, etc.) ou de méconnaissances de l'environnement (rafales de vent, etc.). Ces incertitudes influencent le champ de sortie, qui devient alors aléatoire. L'objectif de la propagation d'incertitudes est de quantifier cet impact. Deux métriques sont considérées dans cette thèse. La première est un α-quantile de champ : pour chaque localisation du champ aléatoire de sortie, on calcule la plus petite valeur telle que la probabilité d'y être inférieure dépasse α. La seconde repose sur la notion d'ensemble d'excursion, défini comme l'ensemble des localisations du maillage où le champ dépasse un seuil donné. Comme le champ de sortie est aléatoire, l'ensemble d'excursion l'est aussi. La seconde métrique d'intérêt est alors une région de confiance de cet ensemble, c'est-à-dire un sous-ensemble du maillage dont la probabilité de contenir l'ensemble d'excursion excède un seuil fixé. Les méthodes classiques de propagation d'incertitudes nécessitent la génération d'un grand nombre de réalisations du champ aléatoire de sortie, obtenues en évaluant le simulateur à partir de tirages aléatoires des variables d'entrée. Lorsque le simulateur présentant un coût de calcul important, ces approches sont impraticables. Pour pallier cette difficulté, il est possible de remplacer le simulateur par un modèle de substitution, une approximation mathématique à coût de calcul réduit. Lorsque la sortie du simulateur est un champ, on peut construire un modèle de substitution en deux étapes : une réduction de dimension qui permet de projeter le champ sur un espace de dimension réduite, dit latent, puis une interpolation ou régression entre l'espace d'entrée et l'espace latent. Cette thèse utilise une combinaison d'analyse en composantes principales et d'un modèle de régression par processus gaussien. Le métamodèle est entraîné à partir d'un ensemble de réalisations d'entrées et de sorties. Les approches d'apprentissage actif permettent d'exploiter au mieux le budget d'entraînement disponible en sélectionnant de façon itérative les points d'apprentissage en fonction de la mesure statistique à estimer. Cette thèse développe deux méthodes visant à améliorer l'estimation de quantiles de champ et de régions de confiance d'ensemble d'excursion. Toutes deux s'appuient sur le modèle d'incertitudes de prédiction – l'incertitude épistémique, liée à un manque de connaissance. Ces méthodes sont appliquées à plusieurs cas d'étude analytiques et physiques relatifs à la conception de véhicules aérospatiaux. Par ailleurs, dans le cadre des simulateurs de systèmes complexes, différents simulateurs de précision et coût de calcul variable sont parfois disponibles. Le modèle de substitution peut exploiter ces divers niveaux de fidélité pour réduire le temps de calcul et améliorer la prédiction. Récemment, de multiples métamodèles multi-fidélité avec un champ en sortie ont été proposés, avec peu ou pas de comparaison avec l'existant. Cette thèse introduit un cadre commun à ces méthodes, permettant à la fois leur comparaison théorique et la construction de nouvelles variantes, accompagné d'un benchmark sur des cas d'application de complexité croissante.