En médecine, l'utilisation d'images 3D (IRM, TDM, ...), devient de plus en plus fréquente. Par ailleurs, la quantité croissante de données mises à la disposition du clinicien a motivé l'élaboration des méthodes d'analyse automatique d'images. La segmentation des structures normales ou pathologiques est l'une des étapes les plus incontournables. Cependant, cette étape reste un problème difficile à cause de plusieurs difficultés. Les méthodes existantes sont nombreuses, mais elles sont incapables de résoudre toutes les perturbations. En particulier, les modèles déformables ont été appliqués avec succès mais, ils ont certaines limitations. Dans cette thèse nous nous proposons de montrer qu'il est possible de définir un cadre commun permettant la mise en place d'une coopération entre des approches hétérogènes en réponse à la complexité du problème posé. L'intérêt d'une telle approche est de pouvoir exploiter la complémentarité d'informations qui résultent de l'application de plusieurs méthodes afin d'avoir une segmentation efficace. Notre méthode est fondée essentiellement sur les "Level-set" et les techniques de classification et de recalage. Nos résultats sont très encourageants.