Dans le domaine médical, au cours des deux dernières décennies, un nombre croissant de méthodes d'analyse d'images quantitatives ont été développées dont l'analyse par régions d'intérêt, l'analyse voxel à voxel et l'analyse d'histogrammes. Cette dernière est largement utilisée dans la cadre de la recherche sur la sclérose en plaques afin de quantifier les changements pathologiques diffus particulièrement présents dans cette maladie. Un inconvénient de cette approche est que l'ensemble des informations incluses dans l'histogramme n'est pas exploité ; seules des mesures arbitraires sont choisies pour décrire l'histogramme ; incluant la moyenne, la médiane, les centiles... Ainsi dans un premier lieu, nous avons proposé d'intégrer dans un classifieur toute l'information incluse dans l'histogramme et non pas seulement quelques descripteurs locaux, dans le but d'améliorer les performances de classification des populations de sclérose en plaques (groupes dans un essai thérapeutique et in fine groupes de pronostics différents). Par la suite, étant donné que l'histogramme est une estimation trop simpliste d'une distribution de probabilité, nous présentons l'une des applications possibles de la géométrie de l'information sur les distributions de probabilité et démontrons l'intérêt de l'utilisation de la géométrie non-euclidienne dans le contexte de la classification des populations de la maladie d'Alzheimer. Nous avons notamment fait l'analogie avec le domaine de l'aéronautique, plus précisément dans l'étude des retards aéroportuaires. En effet, l'analyse actuellement réalisée se situe au niveau macroscopique et fournit un indicateur de retard moyen, sans tenir compte des mécanismes intermédiaires pouvant conduire au retard final. Ainsi, dans le cadre de la classification des retards aéroportuaires, tout comme dans les applications médicales, nous avons remplacé l'indicateur moyen par un modèle statistique paramétrique plus complet : les distributions de probabilité.