Dans une première partie, nous proposons une méthodologie innovante pour la comparaison d'images en ingénierie de réservoir. L'objectif est de pouvoir comparer des cubes sismiques obtenus par simulation avec ceux observés sur un champ pétrolier, dans le but de construire un modèle représentatif de la réalité. Nous développons une formulation fondée sur du filtrage, de la classification statistique et de la segmentation d'images. Ses performances sont mises en avant sur des cas réalistes. Dans une seconde partie, nous nous intéressons aux méthodes de recalage d'images utilisées en imagerie médicale pour mettre en correspondance des images. Nous introduisons deux nouveaux modèles de recalage fondés sur l'élasticité non linéaire, où les formes sont appréhendées comme des matériaux de type Saint Venant-Kirchhoff et Ciarlet-Geymonat. Nous justifions théoriquement l'existence de solutions ainsi que la résolution numérique. Le potentiel de ces méthodes est illustré sur des images médicales. / In a first part, we propose an innovative methodology for image matching in the context of reservoir simulation. In order to build a model consistent with data collected on the field, we need to evaluate the error between seismic cubes obtained by simulation and seismic cubes acquired in the oil field. Using image processing tools, we develop a new formulation of the error. The application of this new formulation on synthetic reservoir cases demonstrates its efficiency. In a second part, we address the issue of designing two theoretically well-motivated registration models capable of handling large deformations since they are based on nonlinear elasticity. The shape to be matched are viewed as Ciarlet-Geymonat materials for the first model and as Saint-Venant Kirchhoff materials for the second one. We investigate the efficiency of the proposed matching model for the registration of mouse brain gene expression data to a neuroanatomical mouse atlas.