La vidéo volumétrique permet des représentations 3D dynamiques de scènes réelles, offrant une exploration multi-vues et une navigation naturelle en six degrés de liberté (6 DoF). Pour une interaction véritablement immersive, la segmentation sémantique est essentielle afin de permettre une compréhension des objets au niveau individuel. Bien que les méthodes récentes de synthèse de vues nouvelles, telles que les Neural Radiance Fields (NeRF) et le 3D Gaussian Splatting (3DGS), aient considérablement fait progresser la reconstruction 3D et la segmentation de scènes statiques, la segmentation sémantique dans des scènes dynamiques 4D reste relativement peu explorée. Les principaux défis incluent le maintien de la cohérence sémantique dans l’espace et le temps, ainsi que le manque de jeux de données multi-vues richement annotés pour les environnements dynamiques. Cette thèse répond à ces limitations en introduisant MUVOD, un jeu de données de segmentation d’objets en vidéo multi-vues, couvrant 17 scènes réelles avec des masques 4D cohérents pour 459 instances réparties sur 73 catégories. Un benchmark est proposé pour l’évaluation des méthodes de segmentation 4D. Nous proposons également une nouvelle approche de segmentation 4D fondée sur 3DGS, qui étend la segmentation d’objets statiques aux scènes dynamiques en intégrant un vecteur d’identité d’objet apprenable dans le pipeline de reconstruction. Cette méthode permet le rendu photoréaliste en RGB ainsi que la génération de masques d’objets à n’importe quel point de vue et instant temporel, offrant ainsi une solution efficace et portable pour la compréhension et l’édition de scènes 4D.