Au sein de cette thèse, on présente une approche qui combine les forces des contours actifs et de l’apprentissage profond pour mettre en place une méthode de segmentation 3D destinée aux images de biologie. On entraîne un réseau convolutif à estimer la position des objets au sein des images, et pour chacun d’entre eux, à prédire un ensemble de paramètres permettant de générer une surface qui délimite les bords de l’objet. Cette approche est une extension directe d’une méthode similaire en 2D. Le passage à la 3D présente de nombreux challenges, notamment dans la comparaison des surfaces prédites avec les masques de segmentation représentant la « vérité terrain » des objets au sein des images. Nous avons pu relever ces défis en utilisant des méthodes d’échantillonnage adéquat combinées à des métriques issues de la théorie du transport optimal. Notre méthode, comme elle représente les objets continûment sous forme de surfaces paramétriques, est très appropriée pour une analyse de forme à posteriori, par exemple de la courbure locale des objets. On investigue, au sein d’un ultime chapitre, le potentiel des réseaux incorporant des propriétés d’invariance ou d’équivariance, pour évaluer s’ils sont de bons candidats pour concevoir des méthodes de localisation et de segmentation plus robustes aux corruptions photométriques.