Pour améliorer l'autonomie d'un système mobile, il nécessaire de pouvoir déterminer précisément sa position. Dans cet article, une méthode basée sur la théorie des possibilités a été développée dans le cadre applicatif de la localisation d'un robot mobile miniature à partir de données odométriques et extéroceptives dans un environnement balisé. La modélisation des données est réalisée dans le cadre de la théorie des possibilités qui fournit des outils intéressants de représentation de l'imprécision et de l'incertitude. De plus, les contraintes souples qui régissent cette théorie permettent un choix étendu pour la combinaison des informations issues des différentes sources, allant du mode conjonctif au mode disjonctif en passant par le mode compromis. Nous nous sommes particulièrement intéressés ici à la règle de combinaison adaptative proposée par Dubois et Prade. Une chaîne complète de fusion des données odométriques et extéroceptives sous forme de distributions de possibilité est ainsi proposée et mise en oeuvre pour la localisation aussi bien en simulation que par des expériences réelles. Cette méthode fait l'objet d'une comparaison détaillée avec la méthode du filtrage de Kalman. Alors que la méthode de Kalman réalise une fusion par moyenne pondérée par l'incertitude liée aux informations (fusion par minimisation de la variance) la méthode possibiliste privilégie, elle, la redondance des informations fournies par les sources (fusion par concordance). Malgré ces différences fondamentales, les résultats obtenus par les deux approches sont assez voisines et la méthode possibiliste possède a priori une meilleure robustesse pour traiter des données conflictuelles....