Prostate segmentation in trans rectal ultrasound (TRUS) and magnetic resonance images (MRI) facilitates volume estimation, multi-modal image registration, surgical planing and image guided prostate biopsies. The objective of this thesis is to develop computationally efficient prostate segmentation algorithms in both TRUS and MRI image modalities. In this thesis we propose a probabilistic learning approach to achieve a soft classification of the prostate for automatic initialization and evolution of a deformable model for prostate segmentation. Two deformable models are developed for the TRUS segmentation. An explicit shape and region prior based deformable model and an implicit deformable model guided by an energy minimization framework. Besides, in MRI, the posterior probabilities are fused with the soft segmentation coming from an atlas segmentation and a graph cut based energy minimization achieves the final segmentation. In both image modalities, statistically significant improvement are achieved compared to current works in the literature. / La segmentació de la pròstata en imatge d'ultrasò (US) i de ressonància magnètica (MRI) permet l'estimació del volum, el registre multi-modal i la planificació quirúrgica de biòpsies guiades per imatge. L'objectiu d'aquesta tesi és el desenvolupament d'algorismes automàtics per a la segmentació de la pròstata en aquestes modalitats. Es proposa un aprenentatge automàtic inical per obtenir una primera classificació de la pròstata que permet, a continuació, la inicialització i evolució de diferents models deformables. Per imatges d'US, es proposen un model explícit basat en forma i informació regional i un model implícit basat en la minimització d'una funció d'energia. En MRI, les probalitats inicials es fusionen amb una imatge de probabilitat provinent d'una segmentació basada en atlas, i la minimització es realitza mitjançant tècniques de grafs. El resultat final és una significant millora dels algorismes actuals en ambdues modalitats d'imatge.