La croissance explosive des données informatiques a généré un besoin important de nouvelles techniques et d'outils pouvant faciliter la fouille automatique de données pour en extraire l'information implicite. Plusieurs techniques ont été mises au point pour accomplir de telles prouesses. Cependant, les techniques uni-stratégiesne sont généralement pas sûres. Notamment celles utilisée dans le domaine médical où l'erreur peut coûter la vie. Dans cette thèse, nous proposons un système multi-classifieurs à base de SVMs baptisé CS4VM. Ce classifieur utilise deux types d'apprentissage ; inductif et transductif. L'apprentissage transductif présente l'avantage par rapport à son homologue inductif d'utiliser un nombre réduit de données étiquetées et de percevoir et prendre la distribution des données non étiquetées comme informations supplémentaires. Cependant, la mauvaise qualité des données non étiquetées détériore les performances au lieu de les améliorer. L'idée développée dans cette thèse est de mettre au point un système qui veillerait à ce que les résultats de performance ne soient pas détériorés. Une nouvelle fonction objective paramétrée est alors ajoutée afin d'optimiser le résultat. L'algorithme élaboré a été validé sur la base de données MIT/BIH arrythmia database [1] pour discriminer quatre types de battements cardiaques dont le battement normal, l'extrasystole ventriculaire, les blocs de branches droit et gauche. Pour ce faire, une nouvelle approche d'extraction de caractéristiques a été développée surl e plan temps-fréquence en utilisant une variante intéressante de la transformée de Stockwell. Par ailleurs, une comparaison de l'algorithme avec d'autres travaux publiés dans la littérature ouverte a été faite en utilisant les deux bases de données UCI [2] et Benchmark [3].