La revue des méthodes de classification révèle des forces et des faiblesses dans chacun des paradigmes de la classification. Notre ambition est d 'étendre le champ d'application de certaines méthodes, en essayant de concilier les avantages de l'apprentissage statistique et ceux de l'Aide Multicritère à la Décision. Cette thèse vise le développement de modèles de classification supervisée dans un cadre multi-classes et multicritère. Elle apporte particulièrement des éléments de réponse aux questions de recherche suivantes: Sous quelles conditions la classification multi-classes se réduit-elle à la classification binaire? Quel est le lien entre cette réduction et la pénalisation des erreurs? Est-il possible de déterminer des bornes multi-classes simultanées? De telles bornes peuvent-elles être à la fois calculables et serrées? Peut-on concevoir un modèle de classification qui satisfait d'une part les différentes exigences de l'aide multicritère à la décision et qui offre d'autre part une gamme « suffisante » d'arbitrages entre précision et complexité? Cette thèse offre une revue du champ de la classification. Pour bien saisir ce champ, il s'avère nécessaire de s'arrêter sur les différentes approches de classification et de caractériser les méthodes de classification connues. C'est ainsi que cette thèse adopte une vision multidisciplinaire pour adresser les questions de recherche posées. Des bornes multi-classes simultanées pour mesurer la performance des classificateurs multi-classes sont développées. En énonçant et démontrant le principe de réduction, nous montrons le lien entre l'asymétrie de la structure de pénalisation des erreurs et la nature multi-classes du problème de classification. Nous généralisons par la suite les bornes de la classification binaire dans le cas multi-classes. Ainsi, nous développons des bornes optimales pour évaluer, voire estimer des classificateurs multi-classes. Un modèle à base de pavés pour l'estimation d'un classificateur multi-classes et multicritère est proposé. Ce modèle établit la preuve qu'il est possible de concilier les concepts et les avantages de l'apprentissage statistique et de l'aide multicritère à la décision. La faisabilité du modèle est vérifiée sur un exemple de taille réduite. Nous illustrons aussi un arbitrage fondamental entre précision et complexité des classificateurs.