Internet, ainsi que des architectures r´ecentes telles que les r´eseaux de capteurs, sont le si`ege de masses de sources de donn´ees distribu´ees `a large ´echelle, en perp´etuelle croissance. Cette profusion, accompagn´ee du besoin d'outillage des utilisateurs, implique le d´eveloppement de techniques d'analyse et d'indexation adapt´ees. Les techniques de classification automatique concernent la caract´erisation de classes dans un ensemble d'´el´ements. Celles-ci sont tr`es souvent employ´ees pour la r´ealisation d'outils rendant l'information accessible aux utilisateurs. Dans le cadre de cette th`ese, nous avons contribu´e `a l'agr´egation de mod`eles de m´elange de distributions de probabilit´e. Cette classe de mod`eles est en effet souvent utilis´ee pour des tˆaches de cat´egorisation. Nos propositions, utilisant un formalisme bay´esien variationnel, sont caract´eris´ees par des coˆuts de calcul et de transmission r´eduits. Avec ces travaux, nous entendions fournir une solution partielle `a l'estimation de mod`eles sur des donn´ees distribu´ees. Nous avons ´egalement contribu´e `a la classification visuelle de donn´ees en flux. Pour ce faire, nous avons notamment employ´e des principes bio-mim´etiques, ou encore des r´esultats de la th´eorie des graphes. Outre la proposition d'interfaces efficaces pour un utilisateur, nous avons ´egalement envisag´e la mani`ere dont celui-ci peut r´etro-agir sur le processus de classification.