Les nouveaux capteurs satellitaires permettent l'acquisition d'images d'un très haut niveau de détail à des cadences élevées, produisant ainsi une importante masse de données. Le traitement manuel de ces données étant devenu impossible, de nouveaux outils sont nécessaires afin de les traiter automatiquement. Des algorithmes de segmentation efficaces sont nécessaires pour extraire des objets d'intérêt de ces images. Cependant les segments produits ne correspondent pas aux objets d'intérêt, rendant difficile l'utilisation de connaissances expertes.Dans le cadre de cette thèse nous proposons de changer le niveau d'interprétation d'une image afin de voir les objets d'intérêt pour l'expert comme des objets composés par des segments. Pour cela, nous avons mis en place un processus d'apprentissage multi-niveaux dans le but d'apprendre ces règles de composition. Une règle de composition ainsi apprise peut ensuite être utilisée pour extraire les objets d'intérêt correspondant. Dans un second temps, nous proposons d'utiliser l'algorithme d'apprentissage de règles de composition comme première étape d'une approche montante-descendante. Cette chaîne de traitement a pour objectif d'améliorer la classification à partir des informations contextuelles et de connaissances expertes. Des objets composés de plus haut niveau sémantique sont extraits à partir de règles apprises ou fournies par l'expert, et cette nouvelle information est utilisée pour mettre à jour la classification des objets aux niveaux inférieurs. L'ensemble de ces travaux ont été testés et validés sur des images Pléiades représentant la ville de Strasbourg. Les résultats obtenus montrent l'efficacité de l'apprentissage de règles de composition pour faire le lien entre connaissance experte et segmentation, ainsi que l'intérêt de l'utilisation d'informations contextuelles dans l'analyse d'images de télédétection à très haute résolution spatiale.