On désigne par courbes de croissance des mesures répétées au cours du temps d'un processus continu de croissance sur une population d'individus. Ces données longitudinales sont classiquement analysées par des modèles non-linéaires à effets mixtes dont la fonction de régression impose une évolution monotone croissante du phénomène. Ces modèles de croissance ne permettent pas de modéliser des modifications inattendues du taux de croissance. Nous proposons de prendre en compte ces éventuelles variations à l'aide d'équations différentielles stochastiques déduites du modèle de croissance standard par ajout d'une composante stochastique. Nous développons une méthode d'inférence Bayésienne de ces modèles reposant sur un algorithme de Gibbs et validons ce nouveau modèle en utilisant et en adaptant des critères basés sur la distribution prédictive a posteriori. Nous illustrons la pertinence de notre approche dans le cas d'un modèle de Gompertz sur un jeu de données réelles de croissance de poulets.