Les travaux présentés dans cette thèse traitent de l'apport de l'incertitude, de l'imprécision et de l'a priori en traitement d'images médicales, dans le cadre d'outils d'aide au diagnostic des pathologies conséquentes de l'obésité et du surpoids. Deux parties composent ce travail : une modélisation du signal IRM d'une séquence prototype fournie par GE, et une méthode de classification floue adaptée pour répondre aux attentes des experts radiologistes et anatomopathologistes. Le signal IRM est issu des différents constituants du voxel. Afin de déterminer la proportion de graisse dans le tissu, les signaux issus de l'eau et de la graisse sont déterminées par régression à partir des images IRM obtenues en prenant en compte un a priori sur le bruit présent sur les images. Considéré de Gauss sur les images réelles et imaginaires, et de Rice sur les images amplitudes, cet a priori sur le bruit a permis de mettre en évidence l'apport de l'utilisation des données brutes lors de la quantification de la proportion de graisse et d'eau par rapport à une quantification uniquement effectuée sur les données amplitudes. La méthode de classification présentée ici permet une dépendance à longue distance lors du calcul des centroïdes. Cette méthode combinée à un algorithme de connectivité floue est adaptée à la mesure de la graisse viscérale et souscutanée. Elle fut également utilisée pour la quantification des vacuoles de triglycérides présentes sur des biopsies hépatiques. De part la proportion très hétérogène des vacuoles de stéatose, fonction du degré de la pathologie, nous avons amélioré l'algorithme de classification par une supervision permettant d'orienter la classification afin de se dédouaner de cette hétérogénéité. La classification est ensuite combinée à un système expert permettant d'éliminer les erreurs de classification survenues. L'ensemble des méthodes fut évalué dans le cadre d'expérimentations animales et de différents protocoles de recherche clinique.