Nous proposons une méthode de décision basée sur un ensemble d'espaces de représentation, dans le but d'optimiser ou de préserver les performances d'un système décisionnel en présence de bruit, de perte d'information ou de non-stationnarité. Le principe de l'approche proposée consiste à apprendre un ensemble de règles de décision. Chaque règle est bâtie sur un sous-espace de représentation extrait d'une projection de l'espace initial. La décision finale est obtenue par combinaison de l'ensemble des règles. La spécificité de la méthode réside dans le fait que seules les règles définies dans des espaces non perturbés par la non stationnarité sont prises en compte pour la décision finale. Sélectionner les sous-espaces non perturbés et prendre simultanément la décision peut s'apparenter à un problème connu sous l'appel lation détection d'anomalies ou de nouveautés. Il est alors possible de l'aborder au moyen de méthodes de classification à une classe de type One-class SVM (Schölkopf et al., 2001), consistant à définir une règle de décision pour chaque classe et chaque sous-espace de représentation. La segmentation d'images texturées constitue une application tout à fait appropriée pour illustrer cette méthode et évaluer ses performances. Nous présentons ici quelques résultats obtenus sur une application de segmentation d'images à deux classes de textures et nous nous intéressons plus particulièrement au comportement de la méthode proposée aux frontières inter-régions. Schölkopf, B., J. C. Platt, J. Shawe-Taylor, A. J. Smola, and R. C. Williamson (2001). Estimating the support of a high-dimensional distribution. Neural Computation 13 (7), 1443-1471.