L'imagerie médicale a profondément influencé à la fois la recherche médicale et la pratique clinique. Elle est aujourd'hui incontournable aussi bien pour le diagnostic que pour la mise en place et le suivi d'un traitement thérapeutique. Elle fournit un volume croissant de données provenant de modalités différentes (IRM, scanner-X, médecine nucléaire, échographie). Ce volume croissant de données rend délicate et laborieuse la tache d'interprétation par un expert. Le traitement d'image s'est avéré être un outil permettant une automatisation des taches et assistant l' expert pour la prise de décision. Parmi les méthodes d'analyse des IRM, l'approche stochastique développée dans cette thèse, permet la caractérisation de l' aspect aléatoire des données en exploitant un modèle qui sied à ce type d'images, à savoir le modèle du Mélange Gaussien. L'objectif de ce travail est de contribuer à la mise en place d'un outil automatique d'analyse quantitative des images reposant sur la modélisation stochastique paramétrique de leurs intensités et permettant la classification des tissus du cerveau ainsi que la détection des lésions sur des images présentant une pathologie particulière, la sclérose en plaque. Dans un premier temps, les bases physiques de l'imagerie par résonance magnétique sont détaillées afin de permettre la compréhension de cette modalité d'imagerie médicale. Par la suite, l'anatomie du cerveau humain ainsi que ses pathologies diverses et notamment la sclérose en plaque sont abordés. Le troisième chapitre de ce manuscrit est consacré au passage en revue des différentes approches existantes visant l'analyse et la segmentation des IRM. Dans le quatrième chapitre, l'approche stochastique considérée dans ce travail est exposée et met l'accent sur les fondements statistiques de la modélisation stochastiques des intensités des images de résonances magnétiques exploitant les modèles de Mélanges Gaussiens. L' estimation pararnétrique du modèle des données combine l'algorithme EM et les champs aléatoires de Markov (MRF) dont l'intérêt est de décrire l'information spatiale à travers des contraintes contextuelles qui caractérisent le voisinage des pixels de l'image. L'algorithme mis en place permettra une classification non supervisée utilisant une mise à jour itérative de la procédure. La méthode sera par ailleurs étendue afin de prendre en compte les effets d'inhomogénéité du champ électromagnétique qui modifient les intensités des images et affectent alors la qualité de la classification. Une seconde extension de la méthode développée aura pour objectif la détection et la quantification des lésions de sclérose en plaques. Le dernier chapitre sera consacré au test et à l' évaluation de la méthode sur des images IRM simulées puis réelles saines ainsi que celles de patients atteints de la pathologie considérée.