Abstract FR:

Depuis plusieurs annees, la fusion de donnees a suscite beaucoup d'interets dans plusieurs domaines de recherche, notamment: sciences de la gestion, statistique, reconnaissance de formes, robotique et connexionnisme. Nous traitons dans cette these le probleme de la combinaison de classifieurs qui peut etre considere comme un cas particulier de la fusion de donnees. Tout d'abord, nous precisons ce que nous entendons par classifieur et proposons une nouvelle taxonomie de differentes methodes de classification. Ensuite nous etudions les differents schemas de combinaison de classifieurs et nous nous restreignons au cas particulier mais tres repandu de la combinaison parallele. Nous etudions la plupart des methodes de combinaison existantes en les regroupant en trois categories. Les caracteristiques desirees pour une bonne combinaison sont presentees par la suite. Nous presentons une approche normative satisfaisant toutes ces caracteristiques et nous proposons une methode pour la realiser. Les avantages de cette methode, ainsi que les inconvenients de la version de base sont presentes et plusieurs solutions pour palier les inconvenients sont proposees. Un manque important des methodes de combinaison actuelles est l'absence d'un critere pour choisir les classifieurs utilisee dans la combinaison. Nous montrons que les quelques rares criteres deja proposees (par exemple la variance), ne sont pas satisfaisants et nous proposons un critere lie a la theorie de l'information, en le justifiant theoriquement. Ce critere est calculable par la methode de combinaison proposee. Nous presentons a la fin les resultats de combinaison de la methode proposee en les comparant avec ceux des meilleurs methodes existantes