La Réalité Augmentée (RA) vise à augmenter la perception du monde réel par des éléments de synthèse. Pour avoir une fusion cohérente, les images augmentées doivent être mises à jour en temps réel en fonction des mouvements de la caméra dans la scène. L'estimation des paramètres de la caméra est souvent affectée par des fluctuations statistiques, ce qui nuit à l'impression visuelle de la scène augmentée. Dans cette thèse, nous nous intéressons à l'étalonnage basé vision des caméras et nous analysons les effets des erreurs de calibrage en situation réelle dans un contexte spécifique à la RA. Nous proposons aussi des stratégies de calibrage dans le cadre d'applications de la RA dans un univers multi-plans. Les surfaces planes sont très courantes en intérieurs comme en extérieurs et le domaine d'application de nos méthodes est donc assez large. Nos contributions à ce sujet concernent : 1) L'estimation des paramètres intrinsèques de la caméra. Nous proposons quelques extensions aux méthodes planaires classiques: une approche multi-plans, la pondération statistique des données d'entrée et des stratégies d'assistance au calibrage. 2) Le calcul séquentiel du point de vue à partir de l'observation de plans. Afin de stabiliser la trajectoire de la caméra, nous classifions les déplacements de la caméra en différents modèles de mouvement, en utilisant des critères de sélection de modèles de complexité adaptée au lieu d'utiliser les critères génériques classiques. Nos évaluations expérimentales montrent que les stratégies proposées améliorent la précision et la stabilité dans le calcul des paramètres de la caméra et, en conséquence, la qualité des séquences augmentées.