Ce livre traite de l'apprentissage et de la qualification de r gles de d cision dans un cadre multihypoth se avec rejet s lectif et contraintes de performance. Le processus d'apprentissage consiste formuler le probl me comme un probl me d'optimisation avec contraintes. L'apprentissage est r alis pour diff rentes familles de r gles d finissant des ensembles de solutions de complexit croissante. Pour chaque r gle, le crit re optimis d pend la fois de la r gle de d cision et des poids attribu s aux contraintes lors du processus d'apprentissage. La s lection d'une r gle parmi les candidates n cessite la d finition d'un crit re commun. Une proposition de crit re est faite et les modalit s de son estimation sont discut es. Deux m thodes d'apprentissage, reposant sur une mod lisation des densit s de probabilit et sur des monoclasse-SVMs, sont introduites. Plusieurs extensions sont tudi es, notamment le traitement de contraintes volutives et l'utilisation des cascades de classifieurs pour am liorer la fiabilit de la d cision. Des applications sur des donn es standard et celles des tumeurs canc reuses viennent attester les approches propos es.