La combinaison de classifieurs, qui permet de résoudre des problèmes de classification complexes, est un sujet important dans les domaines de la reconnaissance des formes et de l’apprentissage automatique depuis les années 90. Des études théoriques et expérimentales ont permis de démontrer que la combinaison de classifieurs précis et divers permettait d’obtenir de meilleurs performances que celles obtenues avec un classifieur unique.
La construction d’un système de combinaison de classifieurs repose sur 2 phases. L’objectif de la première phase est de constituer l’ensemble de classifieurs et de faire leur apprentissage. La seconde phase consiste à choisir la stratégie de fusion des classifieurs constituant l’ensemble.
Actuellement, la construction d’un ensemble de classifieurs optimal, vis-à-vis d’un problème de classification donné, reste un sujet ouvert. Par ailleurs, la plupart des données issues d’applications réelles sont entachées de bruit, d’imprécision, d’incomplétude, ... Pour cette raison, il est important que les techniques employées, dans les deux niveaux de la construction d’un système de combinaison de classifieurs, prennent en compte ces paramètres. La théorie des fonctions de croyance est un cadre général qui permet de prendre en compte de façon assez naturels les différentes imperfections des données.
La première contribution de cette thèse portera sur la construction d’un ensemble de classifieurs dans le cas où l’incertitude sur les données est représentée sous la forme de fonctions de croyance. Le second point concernera la construction de l’étape de fusion.