L'orientation de la tête est un problème complexe en vision par ordinateur qui a fait l'objet d'une recherche intensive en raison de ses nombreuses applications. Cependant, les systèmes actuels de pointe restent sous-performants en présence d'occlusions et sont peu fiables pour de nombreuses tâches dans ces scénarios. Ce travail propose une nouvelle approche basée sur l'apprentissage profond pour le problème d'estimation de la pose de la tête en cas d'occlusions. La stratégie repose sur la régression dans l'espace latent comme clé fondamentale pour mieux structurer le problème dans des scénarios avec occlusions. Notre modèle dépasse plusieurs méthodologies de pointe existantes pour l'estimation de la pose de la tête en cas d'occlusions (HPE) et atteint une précision similaire dans les scénarios sans occlusions. Nous démontrons l'utilité de notre approche proposée à travers : (i) deux versions synthétiquement occultées des jeux de données BIWI et AFLW2000, (ii) des occlusions réelles du jeu de données Pandora, et (iii) une application réelle aux scénarios d'interaction homme-robot où les occlusions faciales se produisent fréquemment. Plus précisément, le nourrissage autonome par un bras robotique.