Le travail présenté dans ce document a pour but la mise en oeuvre d'un système de segmentation d'Images de Résonance Magnétique (IRM) cérébrales qui permette de tirer parti de plusieurs approches complémentaires en réponse à la complexité du problème posé. Face à la diversité des approches existant pour la segmentation (classification, modèles déformables,...) nous montrons que l'on peut définir un cadre de travail commun qui permette la mise en oeuvre de coopération entre des approches hétérogènes. Le cadre méthodologique que nous avons défini s'articule autour des notions d'apprentissage et d'adaptativité. L'apprentissage permet d'introduire des connaissances a priori, explicites, sur le contexte de travail sous la forme d'un modèle statistique déformable du contour du cerveau. L'information qui en résulte est exploitée pour spécialiser localement des agents de segmentation, ce qui confère au système son adaptativité. Nous avons mis en oeuvre trois grands principes de coopération pour réaliser la combinaison d'informations : (i) coopération par initialisation, qui exploite le résultat d'une méthode pour initialiser une seconde méthode, (ii) coopération par fusion d'informations, qui permet de tirer parti de la fusion de plusieurs sources d'informations complémentaires pour guider une phase de traitement, (iii)coopération par rétroaction, qui permet de revenir sur le processus complet de segmentation pour l'affiner ou encore pour transmettre des informations entre images. L'ensemble du travail a été validé sur des images synthétiques fournies par le Montreal Neurological Institute et illustré sur un ensemble d'images réelles.