Cette thèse porte sur la segmentation du masque capillaire dans un visage. Nous présentons dans ce manuscrit une étude sur la localisation et la caractérisation d'une chevelure dans une image. L'objectif de ces travaux est de proposer une méthode permettant de définir automatiquement la zone capillaire avec la meilleure fiabilité possible afin de prendre en compte la grande variabilité de la représentation d'une chevelure. La segmentation est effectuée par un traitement "Matting" qui est une méthode de segmentation par approche "régions". Cet algorithme sépare une image en deux plans : un plan d'information qui représente la chevelure et un plan de fond. Il est initialisé par la définition de marqueurs qui vont être diffusés dans l'ensemble de l'image. L'obtention d'une bonne segmentation dépend directement de la précision dans le placement de ces marqueurs. Nous définissons leurs positions par une analyse conjointe de trois paramètres caractéristiques d'une chevelure : sa texture, sa teinte et sa position. Dans un premier temps, nous avons mis en place une analyse fréquentielle pour caractériser la texture. Nous utilisons un filtrage de l'image par un filtre passe-bande gaussien isotrope. Nous modélisons un masque de localisation des zones fréquentielles similaires à la chevelure. Dans un second temps, nous avons mis en place une analyse couleur pour caractériser la teinte. Nous utilisons un classifieur couleur qui représente la distribution du modèle couleur par une distribution gaussienne sur chaque composante de chrominance dans l'espace couleur YCbCr. Une première information commune de localisation d'une chevelure est définie et est combinée par une méthode de fusion de données basée sur le modèle des fonctions de croyances transférables. Cette approche permet notamment la prise en compte de différents degrés d'ignorance par la modélisation d'un état d'"incertitude". L'ajout de ce nouvel état est particulièrement adapté à notre algorithme de segmentation puisqu'il permet de contrôler la position des pixels dont l'état est estimé pendant le traitement "Matting". Cette approche est ensuite optimisée par l'ajout d'une fonction d'affaiblissement basée sur la caractérisation de la localisation d'une chevelure autour du visage qui est le troisième paramètre capillaire caractéristique. Cette fonction permet de pondérer la fiabilité de nos sources de données par rapport à l'éloignement du visage. En effet plus un pixel est loin d'un visage moins il a de probabilité d'appartenir au masque capillaire. La segmentation capillaire est évaluée grâce à une analyse quantitative de la définition d'un masque de chevelure en comparaison avec une base de référence obtenue par une segmentation semi-manuelle. Enfin le masque capillaire est caractérisé par trois descripteurs, un pour chaque paramètre capillaire. Cette classification permet la description d'une chevelure par une approche similaire à une description cognitive faite par un observateur humain.