Dans ce travail, nous présentons une famille de modèles statistiques à atlas déformable pour l'analyse d'images médicales et plus particulièrement pour la détection d'amers. Les modèles à atlas déformable sont couramment utilisés pour la mise en correspondance d'images en vue de leur segmentation, alignement ou classification. Nous montrons que le problème de détection d'amers peut être formulé comme un problème de mise en correspondance locale. Dans un premier temps, nous présentons deux modèles statistiques qui utilisent les variations d'intensité ou les contours de l'image pour détecter les amers. Ensuite nous introduisons un modèle statistique plus riche qui permet de segmenter une nouvelle image et de la mettre en correspondance avec un atlas pour détecter les amers. À partir de chaque modèle proposé, nous obtenons par maximum de vraisemblance un algorithme d'apprentissage et un algorithme de détection. Les algorithmes ainsi dérivés sont à la fois simples et génériques. Grâce à l'étape d'apprentissage, la méthode proposée s'adapte automatiquement à différents types d'amers. Enfin, en introduisant le concept d'objet déformable et de fond d'image, il est possible de limiter les temps de calcul, en focalisant les efforts sur les sous parties de l'image qui caracterisent la position des amers. Cette modification s'avère utile en vue de l'application des algorithmes proposés à la détection d'amers dans des images médicales en 3D. Enfin nous présentons les résultats obtenus pour la détection d'amers dans des Images à Résonance Magnétique de cerveau. / We present a family of statistical mode/s based on deformable template for medical image analysis, and more specifically for the detection of anatomical landmarks. Deformable template models are commonly used for image matching to perform segmentation, registration or classification. We show that if the position of the landmarks characterizes uniquely the deformation of an image, the landmark detection problem can be formalized as a local matching problem. Based on the proposed statistical models and using maximum Iikelihood principles, we derive both an algorithm to learn the model from training data and a testing algorithm for the detection of landmarks in new images. The first two statistical models we propose rely on intensity or edge matching to identify the location of the landmarks; while the third one uses simultaneous image segmentation and template registration to locate the landmarks. We introduce a foregroundlbackground statistical model for medical imaging, which allows us to limit the computational effort to matching discriminative patterns surrounding the land marks. The proposed a/gorithms provide simple generic methods to perform automatic detection of landmarks in medical imaging. We tested our approach on the detection of landmarks ln brain Magnetic Resonance Images.