La présente thèse est consacrée au recalage et à la fusion d’images de façon dense et déformable via des méthodes d’optimisation discrète. La contribution majeure consiste en un principe de couplage entre recalage géométrique et iconique via l’utilisation de méthodes dites graphiques. Une telle formulation peut être obtenue à partir d’un Champ de Markov Aléatoire binaire et permet de résoudre les deux problèmes simultanément tout en imposant une cohérence à leurs solutions respectives. La méthodologie s’applique à la fusion de paires d’images (dans ses versions symétrique et asymétrique), ainsi qu’au recalage simultané de groupes d’images nécessaire à l’étude de populations. Les qualités principales de notre approche résident dans sa faible complexité algorithmique et sa versatilité. L’utilisation d’une formulation discrète assure une grande modularité concernant tant la mesure de similarité iconique que l’extraction et l’association de points d’intérêt. Les résultats prometteurs obtenus sur les bases de données de référence en flot optique et sur des données médicales tridimensionnelles démontrent tout le potentiel de notre méthodologie / This thesis is devoted to dense deformable image registration/fusion using discrete methods. The main contribution of the thesis is a principled registration framework coupling iconic/geometric information through graph-based techniques. Such a formulation is derived from a pair-wise MRF view-point and solves both problems simultaneously while imposing consistency on their respective solutions. The proposed framework was used to cope with pair-wise image fusion (symmetric and asymmetric variants are proposed) as well as group-wise registration for population modeling. The main qualities of our framework lie in its computational efficiency and versatility. The discrete nature of the formulation renders the framework modular in terms of iconic similarity measures as well as landmark extraction and association techniques. Promising results using a standard benchmark database in optical flow estimation and 3D medical data demonstrate the potentials of our methods.