La phase de segmentation constitue un point central dans les processus d'interprétation et d'analyse d'images. Bien que la segmentation ait déjà fait l'objet de nombreux travaux, elle reste en général très dépendante de la nature et du contexte d¿exploitation de l'image. Notons que l'application de différentes méthodes de segmentation à une même image produit souvent des résultats différents. Dans le but d'obtenir une segmentation fiable et robuste, nous mettons dans ce travail l'accent sur la question de l'espace de représentation des connaissances issues de l'image, afin d'exploiter le maximum d'information disponible, en termes de caractéristiques et de structure spatiale. Dans ce contexte, nous présentons une approche de segmentation basée sur la théorie des possibilités. Cette approche permet de représenter les mesures numériques issues des capteurs en prenant en compte les ambiguïtés inhérentes à cette information, sur la base des connaissances descriptives exprimées par l'expert. De plus, l'approche proposée modélise un aspect important du raisonnement humain dans le processus de classification des pixels, en exploitant l'information issue du contexte spatial de ces éléments. Ce processus cognitif, la focalisation progressive de l'attention, est ici représenté par la diffusion itérative des connaissances acquises, dans le voisinage des pixels, notamment des germes possibilistes, qui représentent les points appartenant à une classe thématique donnée avec un fort degré de certitude. Plusieurs stratégies de diffusion des connaissances, ainsi que deux modes d'intégration des germes au processus (statiquement ou dynamiquement), sont proposés et évalués de manière qualitative et quantitative. La validation globale de la méthode est réalisée en utilisant un ensemble représentatif d'images mammographiques. Ces résultats, ainsi que leur comparaison aux résultats de méthodes plus classiques, montrent le fort potentiel de l'approche proposée en termes de spécificité et de précision des régions segmentées.