Abstract: Le thème principal d'étude de cette thèse est la modélisation et la classification des données de grande
dimension. Partant du postulat que les données de grande dimension vivent dans des sous-espaces de
dimensions intrinsèques inférieures à la dimension de l'espace original et que les données de classes
différentes vivent dans des sous-espaces différents dont les dimensions intrinsèques peuvent être aussi
différentes, nous proposons une re-paramétrisation du modèle de mélange gaussien. En forçant certains
paramètres à être communs dans une même classe ou entre les classes, nous exhibons une famille de 28 modèles gaussiens adaptés aux données de grande dimension, allant du modèle le plus général au modèle le plus parcimonieux. Ces modèles gaussiens sont ensuite utilisés pour la discrimination et la classification
automatique de données de grande dimension. Les classifieurs associés à ces modèles sont baptisés respectivement High Dimensional Discriminant Analysis (HDDA) et High Dimensional Data Clustering (HDDC) et
leur construction se base sur l'estimation par la méthode du maximum de vraisemblance des paramètres du
modèle. La nature de notre re-paramétrisation permet aux méthodes HDDA et HDDC de ne pas être perturbées par le mauvais conditionnement ou la singularité des matrices de covariance empiriques des classes et d'être
efficaces en terme de temps de calcul. Les méthodes HDDA et HDDC sont ensuite mises en dans le cadre d'une
approche probabiliste de la reconnaissance d'objets dans des images. Cette approche, qui peut être
supervisée ou faiblement supervisée, permet de localiser de manière probabiliste un objet dans une
nouvelle image. Notre approche est validée sur des bases d'images récentes et comparée aux meilleures
méthodes actuelles de reconnaissance d'objets.