Une image hyperspectrale est formée par un ensemble de bandes spectrales contenant les informations correspondantes à un intervalle du spectre électromagnétique. Le grand avantage de l'imagerie hyperspectrale par rapport l'imagerie traditionnelle est la capacité de mesurer le rayonnement électromagnétique dans le visible et dans d'autres longueurs d'onde. Cette caractéristique permet la détection des différences subtiles existantes parmi les plusieurs objets composant une image. Le traitement de ces images aussi volumineuses nécessite le développement d'algorithmes avancés qui permettent une exploitation optimale des données hyperspectrales. La représentation traditionnelle de ces images est un ensemble de mesures spectrales, ou spectres, une pour chaque pixel de l'image. Le principal inconvénient de cette représentation est que le pixel est l'unité la plus fondamentale des images numériques. Une analyse individuelle des spectres formant une image hyperspectrale fournit une information qui n'est pas optimale. Dans ce cadre, il est nécessaire d'établir des connexions entre les pixels d'une image hyperspectral afin de distinguer des formes dans l'image qui caractérisent leur contenu. Les représentations basées sur des régions fournissent un moyen de réaliser un premier niveau d'abstraction permettant une réduction du nombre d'éléments à traiter et une obtention des informations sémantiques du contenu de l'image. Ce type de représentations fournit une nette amélioration par rapport la représentation classique basée sur des pixels individuels. Sous le titre "La représentation et le traitement des images hyperspectrales en utilisant l'arbre binaire de partitions", cette thèse propose la construction d'une nouvelle représentation hiérarchique d'images hyperspectrales basée sur des régions : l'arbre binaire des partitions (ou BPT, sigles en anglais). Cette nouvelle représentation peut être interprétée comme un ensemble de régions de l'image dans une structure arborescente. L'arbre binaire de partitions peut être utilisé pour représenter : (i) la décomposition d'une image en plusieurs régions ayant un contenu sémantique et (ii) les différentes relations d'inclusion des régions dans la scène. L'arbre binaire de partitions est basée sur la construction d'un algorithme itératif de fusion de régions. La construction du BPT a été étudiée dans cette thèse par l'étude de différents modèles de représentation d'une région hyperspectrale et de différentes distances de similitude entre deux régions hyperspectrales. Cette recherche a été nécessaire en face la grande dimensionalité et complexité des données qui font nécessaire la définition d'un modèle de région et d'une distance de similarité spécifiques. Grâce à la structure en forme d'arbre, le BPT permet la définition d'un grand nombre de techniques pour un traitement avancé des images hyperspectrales. Ces techniques sont typiquement basées sur l'élagage de l'arbre grâce auquel les régions les plus intéressantes pour une application donnée sont extraites. Cette thèse se concentre sur trois applications particulières : la segmentation, la classification et la détection d'objets dans les images hyperspectrales. Les résultats expérimentaux obtenus sur différentes jeux de données montrent les qualités de la représentation BPT.