Dans ce travail, une approche de classification basée sur le formalisme des réseaux Bayésiens est proposée pour la modélisation d'un système d'aide au diagnostic de tumeurs cérébrales par interprétation des images médicales. Nous nous sommes appuyés sur l'information relative à la forme et à la texture des régions en relation avec la lésion tumorale sur des images IRM de séquences différentes. Dans une première partie, nous avons mis l'accent sur le processus de prétraitement des images comprenant la définition des régions d'intérêt, l'extraction de caractéristiques et la sélection. Au niveau de cette dernière phase, plusieurs méthodes de réduction de dimensionnalité décrites dans la littérature ont été utilisées ainsi que d'autres algorithmes que nous avons proposés dans le but de ne conserver que l'information utile au diagnostic. Ensuite nous avons procédé à la construction de trois modèles de réseaux Bayésiens, de structures différentes. Enfin nous avons mené une étude expérimentale sur les modèles proposés et nous avons effectué une comparaison avec la méthode des k plus proches voisins en tant que l'un des classifieurs les plus connus dans la littérature.