L'objectif de cette thèse consiste à développer une architecture de<br />fusion d'informations basée sur la théorie floue pour la segmentation<br />d'une cible à partir de plusieurs sources d'images. Notre application<br />principale porte sur la segmentation des images IRM multispectrales. Nous proposons une approche de segmentation automatique basée sur la fusion des caractéristiques extraites de chaque source d'image. Ces caractéristiques sont modélisées par des fonctions d'appartenance, obtenues à partir de fonctions analytiques, qui prennent en compte des connaissances a priori sur la possibilité d'appartenance à une cible (tumeur ou tissus cérébraux) donnée par l'expert, et aussi la gradation d'intensité du signal de la cible.<br /><br />La segmentation d'une cible consiste finalement à fusionner les<br />différents degrés d'appartenance de la cible. Une étape supplémentaire basée sur une croissance 3D des régions floues est proposée pour améliorer le résultat de la fusion. Pour évaluer les résultats de segmentation représentés par un ensemble flou, une extension du coefficient Kappa de Cohen, nommée " Kappa flou " est proposée, qui est une méthode d'évaluation globale sur la proportion d'agrément d'un classement flou.<br /><br />Cette architecture développée est mise en œuvre pour la segmentation des tumeurs cérébrales à partir des images IRM qui comprennent pour l'instant les séquences de routine : T1, T2 et densité de protons. Les résultats sur sept patients atteints de tumeur montrent l'efficacité de notre système.