Dans cette thèse, nous traitons le problème de segmentation des objets en premier plan (FS) qui est une question clé pour de nombreuses applications de vision par ordinateur telles que l'analyse de documents, la reconnaissance d'objets, et la surveillance vidéo. Deux problèmes peuvent survenir à partir de la segmentation de premier plan en fonction des données d'entrée en fonction de l’entrée : image fixe ou vidéo. De nombreuses approches ont été proposées pour résoudre ces deux problèmes, dont l'approche basée sur l'histogramme. Cependant, la plupart des approches fondées sur l'histogramme, considèrent une forme d'histogramme gaussienne uni-modale pour les classes de données. Par conséquent, l'efficacité de ces techniques pourrait être affectée par le fait que la distribution des données est multimodale et/ou non gaussienne. En outre, le problème de la segmentation vidéo de est une tâche ardue en particulier dans certaines situations difficiles telles que les changements d'éclairage, les ombres projetées, milieux dynamiques et pan-tilt-zoom (PTZ). Ces défis ont été largement étudiés pour être en mesure de proposer des solutions robustes à ces scénarios. Pour répondre à cette problématique de segmentation d’images et de vidéos, nous utilisons le mélange de gaussiennes généralisées pour la modélisation de l'histogramme des données (image ou vidéo). Le bien-fondé de l'utilisation de cette approche peut se résumée à: (i) Un degré de liberté supplémentaire qui contrôle son aplatissement. (Ii) les modes d’histogramme, avec formes en pics ou plates, peuvent être représentés avec précision en utilisant ce modèle. (Iii) les classes asymétriques et multimodales sont explicitement représentés en utilisant ce modèle. En outre, un mélange en ligne de Gaussiennes généralisées est utilisé pour modéliser l'information temporelle représentée par l’évolution de pixels dans des séquences d'images. L'ancien modèle est enrichi en intégrant l’aspect co-occurrence temporelle de classes arrière-plan / premier plan pour faire face à la dynamique d’arrières plans complexes. Par ailleurs, l'analyse spatiale est introduite pour faire face aux problèmes des ombres, des objets d'arrêt, et PTZ effets de caméra. Les algorithmes proposés ont été développés pour fonctionner dans le monde réel avec des performances en quasi temps réel. Les expériences sur les ensembles de données disponibles montrent que les algorithmes proposés améliorent considérablement les résultats (à la fois qualitativement et quantitativement) par rapport aux autres techniques courantes.