Des méthodes de détection d’objets camouflés sont utilisées dans de nombreux domaines, dont celui de l’exploration de théâtres d’opérations militaires. Dans ce contexte, les spécificités des cibles à repérer ne sont pas connues a priori. Les méthodes de détection d’anomalies permettent de se passer de ces informations et forment le point de départ de cette thèse. Les données considérées dans ces travaux sont des images multispectrales de fonds naturels contenant des cibles camouflées. Ces fonds présentent un fort aspect texturé du à la végétation. Nous proposons d’exploiter conjointement les informations spectrale et spatiale dans le but de mesurer le gain conféré par la prise en compte des textures dans le cadre d’une détection d’anomalies. En effet, le taux de faux-positifs est susceptible d’augmenter sur des scènes très texturées si ces comportements ne sont pas prévus par le détecteur d’anomalies utilisé. Plusieurs méthodes de détection adaptées aux fonds multispectraux texturés ont été comparées à des détecteurs d’anomalies de référence n’exploitant que l’information spectrale. Les premiers détecteurs proposés reposent sur des modèles de type champs de Gauss-Markov aléatoires et mélanges de gaussiennes structurées, permettant des tests paramétriques ; les seconds sur des tests nonparamétriques dans des espaces à noyaux. Les résultats obtenus montrent la nécessité d’une segmentation conjointe à la détection d’anomalies sur des images hétérogènes. Par ailleurs, les meilleurs résultats de détection ont été obtenus grâce aux modèles dépourvus d’à priori sur les distributions des pixels de fonds.