En mdecine, l'utilisation d'images 3D (IRM, TDM, ...), devient de plus en plus frquente. Par ailleurs, la quantit croissante de donnes mises  la disposition du clinicien a motiv l'laboration des mthodes d'analyse automatique d'images. La segmentation des structures normales ou pathologiques est l'une des tapes les plus incontournables. Cependant, cette tape reste un problme difficile  cause de plusieurs difficults. Les mthodes existantes sont nombreuses, mais elles sont incapables de rsoudre toutes les perturbations. En particulier, les modles dformables ont t appliqus avec succs mais, ils ont certaines limitations. Dans cette thse nous nous proposons de montrer qu'il est possible de dfinir un cadre commun permettant la mise en place d'une coopration entre des approches htrognes en rponse  la complexit du problme pos. L'intrt d'une telle approche est de pouvoir exploiter la complmentarit d'informations qui rsultent de l'application de plusieurs mthodes afin d'avoir une segmentation efficace. Notre mthode est fonde essentiellement sur les "Level-set" et les techniques de classification et de recalage. Nos rsultats sont trs encourageants.