Dans le cadre de cette thèse, nous avons focalisé notre étude sur la segmentation automatique des images IRM cérébrales par les algorithmes bio-inspirés. Parmi les méthodes non supervisées présentées, nous nous sommes intéressés à l¿algorithme de c-moyennes floues (FCM). Cet algorithme a été largement appliqué, au regard de son adaptation et son efficacité à traiter des données imprécises et incertaines. Cependant, son inconvénient majeur est lié à l¿initialisation aléatoire des centres de classes qui provoque une convergence prématurée et bloque FCM dans des minima locaux. Afin d¿améliorer davantage les performances de FCM, nous avons proposé une nouvelle méthode d¿initialisation, basée sur l¿algorithme d¿optimisation par essaim de particules PSO. Notre contribution s¿articule autour de deux étapes principales. La première consiste à reformuler le problème de la segmentation en un problème d¿optimisation, par la définition d¿une nouvelle fonction objectif qui cherche les meilleurs centres de classes. La deuxième étape concerne l¿initialisation de l¿algorithme FCM avec les centres déjà obtenus.