L'apprentissage automatique concerne l'apprentissage de modèles prédictifs à partir de donnée. Pour bien generaliser, beaucoup d'algorithme d'apprentissage automatique suppose que les prédictions des points proches sont similaires. En conséquence, comment mesurer la proximitée des points de données devient donc un élement crucial d'algorithm d'apprentissage. L'apprentissage de métrique résout se défi en apprenant une métrique dépendantes des données. Pendant les dix dernière années, ceci a attiré beaucoup d'attention et est devenu une des approches principales pour adresser des problèmes d'apprentissage de distance/similarité. L'approche la plus étudiée est l'apprentissage de métrique individuel. Cela apprend une mesure de distance dans tout l'espace d'entrée des données. Cette approche est souvent efficace computationelement. Cependant, il peut ne pas etre suffisament flexible pour bien apprendre la distance dans different voisinage de donnée. Tel que, la distance dans different voisinage peut être bien approximée. L'apprentissage de métrique non linéaire suit une approche differente pour augmenter la complexitée du modèle. Il envoie d'abord les points de donnée dans un nouvel espace de donnée par une application non linéaire d'attribut puis une métrique individuel est apprise dans le nouvel espace de donnée. Malgré le succès de differents algorithmes d'apprentissage de métrique, chaque algorithme possède ses propres limitations. Dans cette thèse, nous nous concentrons dans leur limitations et developpons de nouveau algorithme d'apprenttisage de métrique. Quatre different types d'algorithme d'apprentissage de métrique ont ete contribue, incluant un algorithme d'apprentissage de métrique individuel, un algorithme d'apprentissage de métrique local et deux algorithmes d'apprentissages non linéaire. Les algorithmes d'apprentissage de métrique developpe sont meilleur que les méthodes de l'état de l'art en terme de performance predictive et de scalabilitées algorithmique.