Dans la première partie, nous donnons d'abord une analyse méthodologique des techniques récentes de segmentation bayésienne d'image. A partir d'un modèle de factorisation de la stucture du second ordre des textures à discriminer, nous mon-trons, par des calculs explicites de probabilité d'erreur de classification, le gain d'une classification contextuelle des pixels. Nous avons ensuite mené une étude expérimentale et comparative dans laquelle des classifications contextuelles et les trois méthodes de segmentation markovienne MAP, MM et ICM sont simultanément testées. Nous avons aussi étudié le problème de choix du paramètre de régularisation. La deuxième partie concerne le problème d'estimation spectrale des processus spatiaux. La technique de rabotage (data tapering) permet de surmonter à la fois des difficultés d'effet de bord et de la non-positivité des estimateurs empiriques et débiaisés des covariances. Nous extendons d'abord des résultats connus pour des processus univariés au cas du multi-varié. Nous établissons ensuite la consistance et la normalité aymptotique pour une classe d'estimateurs spectrographiques avec des données rabotées. Comme application, un théorème de limite centrale de l'estimateur de Whittle est prouvé. D'autres applications du contraste de Whittle raboté pour des champs de Markov gaussiens et pour des tests d'hypothèse emboîtée sont aussi établies.