La segmentation des structures vasculaires dans les images médicales est une étape complexe mais fondamentale pour l'aide au diagnostic et au traitement. Dans ce contexte, les techniques de traitement d'images facilitent la tâche des experts médicaux en minimisant les interactions manuelles tout en réduisant la variabilité inter-opérateurs. Nous présentons tout d'abord un état de l'art des méthodes de segmentation vasculaire 3D organisé suivant trois axes: modèles géométriques et d'apparence, primitives extraites des images et schémas d'extraction. Nos travaux se focalisent sur une problématique particulièrement complexe, la segmentation des artères coronaires en imagerie tomodensitométrique 3D. Nous proposons un modèle géométrique axial, évalué dans l'image grâce à une primitive fondée sur le flux de gradient à fort pouvoir discriminant et faible coût calculatoire. Nous dérivons ensuite un modèle bayésien récursif appris de façon non paramétrique sur une base de segmentations manuelles. Nous proposons enfin deux schémas d'extraction. Le premier met en œuvre une procédure d'optimisation discrète sur graphe fondée sur la propagation de chemins minimaux 4D (position spatiale 3D de l'axe vasculaire plus rayon associé). Il exploite une nouvelle métrique cumulative dérivée de notre modèle bayésien. Notre deuxième schéma repose sur une approche de suivi stochastique par méthode de Monte-Carlo séquentielle estimant la distribution a posteriori de notre modèle bayésien. Une attention particulière est donnée à la robustesse et l'efficacité calculatoire de nos algorithmes. Ceux-ci sont évalués qualitativement et quantitativement sur une base de données cliniques de grande taille.