Cette thèse porte sur la classification automatique d'images, appliquée aux images acquises par alvéoscopie, une nouvelle technique d'imagerie du poumon profond. L'objectif est la conception et le développement d'un système d'aide au diagnostic permettant d'aider le praticien à analyser ces images jamais vues auparavant. Nous avons élaboré, au travers de deux contributions, des méthodes performantes, génériques et robustes permettant de classer de façon satisfaisante les images de patients sains et pathologiques. Nous avons proposé un premier système complet de classification basé à la fois sur une caractérisation locale et riche du contenu des images, une approche de classification par méthodes d'ensemble d'arbres aléatoires et un mécanisme de pilotage du rejet de décision, fournissant à l'expert médical un moyen de renforcer la fiabilité du système. Face à la complexité des images alvéoscopiques et la difficulté de caractériser les cas pathologiques, contrairement aux cas sains, nous nous sommes orientés vers la classification one-class qui permet d'apprendre à partir des seules données des cas sains. Nous avons alors proposé une approche one-class tirant partie des mécanismes de combinaison et d'injection d'aléatoire des méthodes d'ensemble d'arbres de décision pour répondre aux difficultés rencontrées dans les approches standards, notamment la malédiction de la dimension. Les résultats obtenus montrent que notre méthode est performante, robuste à la dimension, compétitive et même meilleure comparée aux méthodes de l'état de l'art sur une grande variété de bases publiques. Elle s'est notamment avérée pertinente pour notre problématique médicale.

Dans un contexte où des technologies et matériels nouveaux permettent un traitement en masse d'échantillons et où les données acquises sont de plus en plus partagées entre équipes de recherche, les scientifiques sont confrontés à un problème majeur d'exploitation de données. Plus précisément, utiliser ces données par des outils de fouille de données ou les replacer dans une démarche expérimentale classique nécessite une appréhension préalable de l'espace informationnel disponible afin de diriger le processus. Or cette appréhension de données est un problème complexe, peu supporté par les outils informatiques actuels. <br /><br />L'objectif de cette thèse est de proposer une solution à ce problème d'appréhension des données scientifiques. Illustrée dans le domaine applicatif des Tissue MicroArrays, la proposition se base sur la notion de synthèse, inspirée des paradigmes de Recherche d'Information. Le modèle de synthèse envisagé, qui donne un rôle central à l'étude que le chercheur veut mener, par la notion de tâche, permet l'opérationnalisation d'un concept de Recherche d'Information orientée tâche par un prototype. Le prototype mis en place est validé par des étude de cas et une étude utilisateurs et ouvre des perspectives intéressantes d'extension du modèle ou d'extension à d'autres domaines applicatifs.