L'assimilation de données consiste à combiner de façon optimale le modèle et les observations, dans le but d'estimer par exemple l'état d'un système. Après un rappel sur l'état de l'art (méthodes variationnelles basées sur le contrôle optimal, méthodes de filtrage de Kalman), nous présenterons des méthodes basées sur le nudging (relaxation Newtonienne) ou plus généralement sur des observateurs. Le principe consiste à ajouter un terme de rappel dans les équations du modèle, afin de forcer la solution à se rapprocher des observations. Sous certaines conditions, l'observateur - solution du modèle avec rappel - converge vers la trajectoire réelle - celle que l'on cherche à identifier. Des études théoriques et numériques sur différents modèles simplifiés (transport, Burgers, shallow water, ...) ou plus réalistes (quasi-géostrophique, Navier-Stokes, ...) démontrent l'efficacité de ces méthodes d'assimilation de données qui sont généralement plus simples à mettre en oeuvre.