. . . "2015" . . . . "Exploration de donn\u00E9es" . . "Multim\u00E9dias" . . . "Th\u00E8ses et \u00E9crits acad\u00E9miques" . . "Structuration" . . . "Production de m\u00E9trique" . "Supervision" . . "Partitionnement spectral" . "Bases multim\u00E9dia" . "Structuration de bases multim\u00E9dia pour une exploration visuelle" . "The large increase in multimedia data volume requires the development of effective solutions for visual exploration of multimedia databases. After reviewing the visualization process involved, we emphasis the need of data structuration. The main objective of this thesis is to propose and study clustering and classification of multimedia database for their visual exploration.We begin with a state of the art detailing the data and the metrics we can produce according to the nature of the variables describing each document. Follows a review of the projection and classification techniques. We also present in detail the Spectral Clustering method.Our first contribution is an original method that produces fusion of metrics using rank correlations. We validate this method on an animation movie database coming from an international festival. Then we propose a supervised classification method based on rank correlation. This contribution is evaluated on a multimedia challenge dataset. Then we focus on Spectral Clustering methods. We test a supervised Spectral Clustering technique and compare to state of the art methods. Finally we examine active semi-supervised Spectral Clustering methods. In this context, we propose and validate constraint propagation techniques and strategies to improve the convergence of these active methods." . . "Structuration de bases multim\u00E9dia pour une exploration visuelle" . "Structuring multimedia bases for visual exploration" . "Corr\u00E9lation de rang" . . "Text" . . . . "La forte augmentation du volume de donn\u00E9es multim\u00E9dia impose la mise au point de solutions adapt\u00E9es pour une exploration visuelle efficace des bases multim\u00E9dia. Apr\u00E8s avoir examin\u00E9 les processus de visualisation mis en jeu, nous remarquons que ceci demande une structuration des donn\u00E9es. L\u2019objectif principal de cette th\u00E8se est de proposer et d\u2019\u00E9tudier ces m\u00E9thodes de structuration des bases multim\u00E9dia en vue de leur exploration visuelle.Nous commen\u00E7ons par un \u00E9tat de l\u2019art d\u00E9taillant les donn\u00E9es et les mesures que nous pouvons produire en fonction de la nature des variables d\u00E9crivant les donn\u00E9es. Suit un examen des techniques de structuration par projection et classification. Nous pr\u00E9sentons aussi en d\u00E9tail la technique du Clustering Spectral sur laquelle nous nous focaliserons ensuite.Notre premi\u00E8re r\u00E9alisation est une m\u00E9thode originale de production et fusion de m\u00E9triques par corr\u00E9lation de rang. Nous testons cette premi\u00E8re m\u00E9thode sur une base multim\u00E9dia issue de la vid\u00E9oth\u00E8que d\u2019un festival de films. Nous continuons ensuite par la mise au point d\u2019une m\u00E9thode de classification supervis\u00E9e par corr\u00E9lation que nous testons avec les donn\u00E9es vid\u00E9os d\u2019un challenge de la communaut\u00E9 multim\u00E9dia. Ensuite nous nous focalisons sur les techniques du Clustering Spectral. Nous testons une technique de Clustering Spectral supervis\u00E9e que nous comparons aux techniques de l\u2019\u00E9tat de l\u2019art. Et pour finir nous examinons des techniques du Clustering Spectral semi-supervis\u00E9 actif. Dans ce contexte, nous proposons et validons des techniques de propagation d\u2019annotations et des strat\u00E9gies permettant d\u2019am\u00E9liorer la convergence de ces m\u00E9thodes de classement." . "Structures de donn\u00E9es (informatique)" . . .