La détection et la classification d'objets enfouis est un problème particulièrement délicat : les techniques de sonar à antenne synthétiques utilisées pour imager le fond sous-marin fournissent des données possédant souvent un très faible rapport signal à bruit, d'où un nombre important de fausses alarmes. L'objectif de la thèse est de concevoir et développer des algorithmes permettant de réduire le nombre de fauses alarmes, tout en conservant une bonne détection, et éventuellement de classifier les objets détectés, grâce à des outils de traitement d'images et de fusion de données.Pour cela, on utilise les propriétés statistiques aux ordres 1, 2, 3 et 4 de ces images sonar qui vont nous permettre de développer des algorithmes de détection performants. Afin d'améliorer le résultat, les données ainsi extraites sont fusionnées dans un processus basé sur la théorie de l'évidence. Ceci permet de classifier chaque pixel de l'image en "objet" ou "non objet" selon qu'il est supposé appartenir à un objet recherché (mine sous-marine par exemple) ou pas. Le résultat pourra alors être utilisé par un expert afin de l'aider dans sa prise de décision.