Nous détaillons dans ce rapport les différentes étapes de la segmentation Bayesienne~: modélisation, estimation, optimisation. La modélisation est appréhendée sous l'angle des Champs de Markov. Nous montrons les limites du modèle de Potts couramment employé et proposons un nouveau modèle (le chien-modèle) permettant de contrôler la longueur des contours et des lignes dans l'image segmentée. Nous préservons ainsi les structures fines présentes dans les données. Nous abordons ensuite le problème de l'estimation du nombre de classes et des paramètres qui leurs sont associés. Nous proposons une méthode utilisant l'hypothèse contextuelle inhérente aux images pour discriminer les différentes classes dans le cas de distributions fortement mélangées. Pour finir, nous comparons les critères MPM et MAP conjointement aux algorithmes qui permettent de les optimiser. Les différents résultats sont obtenus sur des images synthétiques et des images SPOT.