De nos jours, la vidéo-surveillance est une thématique pour laquelle se pose le problème du traitement de données de masse pour la reconnaissance et le suivi de personnes. L’objectif est de créer un système de reconnaissance automatique de personnes basée sur l’apparence en environnement réel. Deux différentes tâches sont visées : ré-identification et découverte de nouvelles personnes. Le système proposé se divise en quatre modules : acquisition des données, extraction du fond et de la silhouette, extraction et sélection des attributs basées sur l’apparence et reconnaissance. Pour l’évaluation du système, en sus d’une base de données publique (CASIA), une nouvelle base de données a été créée avec de très faibles contraintes sur le scénario. Des attributs couleurs normalisés et les attributs de textures d’Haralick sont extraits, puis des algorithmes de sélection d’attributs sont comparés. Ces sous-ensembles d’attributs optimaux sont utilisés tout d’abord pour la ré-identification de personnes à l’aide de SVM incrémental et décrémental (MID-SVM), ayant l’avantage de ne nécessiter que peu de données pour la création du modèle. Une seconde utilisation de ces données se fait pour ajouter la découverte de nouvelles personnes inconnues jusqu’alors, en utilisant un algorithme de regroupement (Self-Adaptive Kernel Machine – SAKM) capable de différentier des personnes existantes qui peuvent être classifiées de nouvelles personnes pour lesquelles un modèle est créé. Le système proposé est capable de ré-identifier des personnes avec un taux de succès supérieur à 95% et atteint des performances satisfaisantes pour la découverte de nouvelles personnes avec un taux de plus de 90%. / Video surveillance is nowadays an important topic to address, as it is broadly used for security and it brings problems related to big data processing. A part of it is identification and re-identification of persons in multicamera environments. The objective of this thesis work is to design a complete automatic appearance-based human recognition system working in real-life environment, with the goal to achieve two main tasks: person re-identification and new person discovery. The proposed system consists of four modules: video data acquisition; background extraction and silhouette extraction; feature extraction and selection; and person recognition. For evaluation purposes, in addition to the public available CASIA Database, a more challenging new database has been created under low constraints. Grey-world normalized color features and Haralick texture features are extracted as initial feature subset, then features selection approaches are tested and compared. These optimized subsets of features are then used firstly for person re-identification using Multi-category Incremental and Decremental SVM (MID-SVM) algorithm with the advantage of training only with few initial images and secondly for person discovery and classification using Self-Adaptive Kernel Machine (SAKM) algorithm able to differentiate existing persons who can be classified from new persons who have to be learned and added. The proposed system succeed in person re-identification with classification rate of over 95\% and achieved satisfying performances on person discovery with accuracy rate of over 90%.