À partir d'un modèle markovien, les informations recherchées sont souvent associées à la présence du processus dans des classes d'états. Ceci conduit à s'intéresser à un nouveau processus, appelé processus agrégé, dont l'espace d'état est l'ensemble de ces classes, et qui n'est pas, en général, un processus markovien. Nous avons étudié les conditions sous lesquelles ce processus agrégé soit un processus de Markov. Nous avons caractérisé cette propriété dite d'agrégation faible, d'abord pour les processus finis irréductibles, puis récemment pour les processus absorbants finis. Nous avons ensuite étendu ces résultats aux modèles à espace d'état dénombrable. Les caractérisations sont constructives et, dans le cas fini, sont implantées dans un logiciel développé à partir du langage de calcul formel MAPLE. Nous travaillons actuellement sur des approches géométriques suggérées par les divers résultats obtenus. Par exemple, l'existence d'un polyèdre convexe invariant par la matrice stochastique des probabilités de transition est nécessaire à la condition d'agrégation exacte. Les premiers résultats obtenus sont encourageants et devraient faciliter l'étude de l'agrégation faible pour des classes particulières de modèles.