Les pathologistes utilisent leur outil de travail, le microscope, depuis le 17ème siècle et la plus grande partie de leur analyse est visuelle. C'est pourquoi l'imagerie pathologique est devenue un environnement d'imagerie médicale d'importance grandissante qui présente de nombreux défis. Un de ces défis réside dans la conception de systèmes d'aide au diagnostic par une analyse automatique ou semi-automatique. Nous présentons deux approches pour le traitement d'images microscopiques. La première se place dans le cadre d'une analyse entièrement automatisée et constitue un système de screening de lames microscopiques. La seconde se place dans le cadre d'une analyse semi-automatique où le pathologiste s'intéresse uniquement à des images choisies qu'il souhaite analyser interactivement. Dans le cadre d'une analyse entièrement automatique, nous avons retenu le schéma classique de segmentation, caractérisation et classification. La segmentation consiste à extraire les cellules d'une image de microscopie, à les caractériser, puis à les classer selon leur malignité. Plusieurs de nos travaux précédents ont montré que des schémas de segmentation hybrides combinant classification de pixels et opérations morphologiques permettent d'obtenir des segmentations d'images microscopiques de très bonne qualité. Cependant, avec une analyse automatique, la masse de données générée est énorme et nous devons faire face à des données de grandes dimensions et en grand volume. Ceci s'accompagne inévitablement de redondance et de bruit et a deux conséquences: des temps d'apprentissage très long et des fonctions de décisions complexes. Afin de pallier ces problèmes, nous avons défini une méthode de sélection de modèle qui permet d'utiliser des SVM dans le cadre de la classification de pixels en microscopie. Ceci nous permet d'obtenir des classificateurs parcimonieux dont l'apprentissage est rapide, et dont les fonctions de décisions restent efficaces tout en étant peu complexes et donc rapides. La sélection de modèle que nous avons mis en oeuvre permet la sélection des exemples pertinents, des attributs pertinents et des hyper-paramètres du classificateur. L'espace de recherche étant trop grand, nous utilisons une méta-heuristique (la recherche tabou) qui effectue la sélection de modèle selon un compromis entre attache aux données et complexité de la fonction de décision. Avec ces éléments, nous obtenons des classificateurs SVM parcimonieux (peu de vecteurs supports) que nous utilisons d'une part dans un schéma de segmentation morphologique, mais également pour la classification de cellules. Dans le cadre d'une analyse semi-automatique, nous nous intéressons à une représentation par graphe de l'image à analyser et proposons un ensemble de méthodes basées graphe pour la segmentation d'images microscopiques. Nous montrons que traitement local et non local peuvent être unifiés par la définition de dérivées discrètes sur graphes pondérés. Ces dérivées discrètes permettent de transcrire équations aux différences partielles continues en équations aux différences partielles sur graphes de topologies arbitraires. Nous nous plaçons dans un cadre variationnel et nous proposons un analogue discret de la régularisation continue qui opère sur des graphes de topologies arbitraires. La formulation proposée amène à une famille de méthodes simples et rapides basées sur le p-Laplacien pondéré et dont les paramètres sont le degré de régularité p, la structure du graphe et la fonction de similarité pour les poids du graphe. Cela nous permet de disposer d'un ensemble d'outils qui peuvent être combinés pour résoudre de nombreux problèmes en traitement d'images microscopiques (filtrage, segmentation, etc.). Dans ce cadre, nous montrons l'intérêt d'utiliser des représentat