Le travail présenté dans ce manuscrit se situe dans le domaine de l'analyse et l'interprétation d'images. plus précisément, nous nous intéressons à la détection de la saillance et la gmentation d'objet saillant ainsi qu'à la reconnaissance de atégorie d'objets dans les images. trois contributions se dégagent de cette étude. dans la première contribution, nous proposons un modèle de saillance qui se base sur une approche neuronale. nous procédons à l'extraction de caractéristiques visuelles telle que la couleur et latexture. la caractéristique de la couleur est exprimée dans l'espace de couleur cie lab,un espace de couleur perceptuellement uniforme et similaire à la perception humaine.la caractéristique de texture est extraite par l'intermédiaire des filtres (log)-gabor. leréseau self organizing tree procède au partitionnement des vecteurs caractéristiquesdes pixels de l'image en différents clusters. pour chaque cluster, nous calculons la mesure de saillance basée sur l'indice spatial, spatial cue. en supposant que la vraisemblance de la saillance d'un pixel appartenant à un cluster satisfait une distribution gaussienne. la carte de saillance finale est obtenue en calculant la probabilité marginalede la saillance. l'évaluation quantitative et qualitative du modèle proposé sur la based'images msra-1000 démontre des résultats satisfaisants comparé à d'autres modèles de saillance. notre seconde contribution porte sur la mise en œuvre d'une méthode de segmentation d'objet qui se base sur le regroupement spectral des pixels. cette méthode intègre la valeur de saillance des pixels, calculée à partir du modèle de saillance proposé, dans le calcul du graphe de similarité. l'évaluation qualitative de la méthode proposée sur la base d'images msra-1000 démontre des résultats satisfaisants comparésà d'autres méthodes de segmentation d'objet reconnues dans la littérature. notre troisième contribution porte sur l'élaboration d'un modèle de dictionnaire hybride pour une tâche de catégorisation d'objets. une approche de classification simultanée est appliquée aux descripteurs d'images pour générer deux variantes de modèles de dictionnaire. ceux-ci sont utilisés séparément pour coder et représenter une image au travers un modèle de dictionnaire basé sur les patchs et un modèle de dictionnaire basé sur les caractéristiques. nous testons et validons le modèle de dictionnaire proposé sur la base d'images caltech-101. les résultats expérimentaux démontrent sa performance vis-àvis à d'autres modèles de dictionnaire adoptant une simple classification.