Cette thèse porte sur l'étude de modèles d'agrégations de préférences utilisant des points de références. En théorie de la décision, de nombreux travaux axiomatiques montrent les difficultés théoriques et pratiques que pose l'agrégation de relations de préférences partiellement conflictuelles. Les théorèmes d'impossibilité existants expliquent d'une part les difficultés rencontrées par les concepteurs de méthodes multicritères reposant sur une modélisation ordinale des préférences mais aussi la difficulté de concevoir des modèles purement qualitatifs pour la décision dans l'incertain. Nous proposons ici de comparer les solutions non plus de manière directe, mais de manière indirecte en examinant leurs mérites respectifs du point de vue de plusieurs points de références. Nous étudions le potentiel descriptif et prescriptif de ces modèles, les propriétés formelles des règles d'agrégation associées, et nous proposons des théorèmes de représentation caractérisant les préférences représentables par ces modèles dans les domaines de la décision multicritère et la décision dans l'incertain. Enfin, nous montrons leur apport potentiel en aide à la décision à travers des exemples d'application.

Ce mémoire synthétise les activités de recherche que j'ai menées de 2005 à 2012, sur la thématique de l'apprentissage statistique des données complexes, abordée par le biais de modèles probabilistes paramétriques génératifs. Plusieurs types de données complexes sont considérées. Les données issues de populations différentes ont été abordées en proposant des modèles de lien paramétriques entre populations, permettant d'adapter les modèles statistiques d'une population vers l'autre, en évitant une lourde collecte de nouvelles données. Les données de rang, définissant un classement d'objets selon un ordre de préférence, les données ordinales, qui sont des données qualitatives ayant des modalités ordonnées, et les données fonctionnelles, où l'observation statistique consiste en une ou plusieurs courbes, ont également été étudies. Pour ces trois types de données, des modèles génératifs probabilistes ont été définis et utilisés en classification automatique de données multivariées. Enfin les données de grande dimension, que l'on rencontre lorsque le nombre de variables du problème dépasse celui des observations, ont été étudiées dans un cadre de régression. Deux approches, fruits de deux thèses de doctorat que je co-encadre, sont proposés: l'une utilisant des algorithmes d'optimisation combinatoire pour explorer de façon efficace l'espace des variables, et l'autre définissant un modèle de régression regroupant ensemble les variables ayant un effet similaire.