Regrouper en des ensembles cohérents les faisceaux de fibres qui constituent la matière blanche du cerveau est un problème difficile mais de fort intérêt dont la solution peut aider à resoudre toute une classe de problèmes en neuroimagerie dont par exemple la construction d'atlas et de cartes statistiques permettant d'améliorer notre compréhension de la structure du cervau humain. Ce problème se trouve compliqué encore plus par certaines configurations de fibres qui peuvent fusionner, se croiser ou diverger. Ce rapport se donne comme objectif d'aider à la résolution de ce problème en appliquant la technique dite des cartes de diffusion aux données d'IRM de Diffusion à haute résolution angulaire (HARDI) qui permettent de décrire les phénomènes de diffusion non-Gaussiens qui se produisent lorsque plusieurs faisceaux de fibres se croisent. En effet, contrairement au tenseur de diffusion classique (DTI), HARDI permet de décrire finement les croisements de faisceaux de fibres au sein de la matière blanche. Dans ce rapport, nous faisons usage d'une solution linéaire et régularisée pour estimer la function de distribution d'orientations des fibres (ODF) à partir d'imagerie HARDI telle que le Q-Ball et nous proposons de faire usage de la technique dite des cartes de diffusion pour d'une part regrouper directement les fibres obtenues par un algorithme de tractographie et d'autre part de segmenter les cartes d'ODF obtenues à partir de données d'IRM de Diffusion à haute résolution angulaire. On montre que notre méthode à base de cartes de diffusions permet de regrouper de façon cohérente un ensemble de fibres ou de segmenter correctement un champs d'ODF avec ou sans présence de croisements, dépassant ainsi en performance les approches classiques basées sur l'utilisation du tenseur de Diffusion qui ne peuvent traiter correctement les configurations singulières de type croisement. Les différentes potentialités de notre approche à base de cartes de Diffusion sont mises en valeur, comparées à celles de techniques plus classique (N-Cuts, Laplacien..) et finalement illustrées et évaluées sur différentes données synthétiques et réelles.