En medecine, l'utilisation d'images 3D (IRM, TDM, ...), devient de plus en plus frequente. Par ailleurs, la quantite croissante de donnees mises a la disposition du clinicien a motive l'elaboration des methodes d'analyse automatique d'images. La segmentation des structures normales ou pathologiques est l'une des etapes les plus incontournables. Cependant, cette etape reste un probleme difficile a cause de plusieurs difficultes. Les methodes existantes sont nombreuses, mais elles sont incapables de resoudre toutes les perturbations. En particulier, les modeles deformables ont ete appliques avec succes mais, ils ont certaines limitations. Dans cette these nous nous proposons de montrer qu'il est possible de definir un cadre commun permettant la mise en place d'une cooperation entre des approches heterogenes en reponse a la complexite du probleme pose. L'interet d'une telle approche est de pouvoir exploiter la complementarite d'informations qui resultent de l'application de plusieurs methodes afin d'avoir une segmentation efficace. Notre methode est fondee essentiellement sur les "Level-set" et les techniques de classification et de recalage. Nos resultats sont tres encourageants."