Cette thèse se focalise sur le problème de la structuration temporelle des vidéos. Plusieurs décompositions sont possibles à partir d'un même document: une segmentation en segments homogènes groupe les images selon des critères de similarité, une segmentation en plans qui tient compte de l'édition qui a été préalablement opérée par le montage de la vidéo et enfin une segmentation sémantique qui groupe les plans par thématique ou sujet. Nous allons nous intéresser dans cette thèse à chacune de ces décompositions qui posent toutes des problèmes particuliers de l'extraction multimodale de descripteurs aux algorithmes de classification et segmentation proprement dit. Le but final étant d'obtenir des représentations de la vidéo selon diverses échelles et points de vues afin de faciliter son exploration. De plus, ces décompositions sont utiles pour une analyse plus approfondie du contenu des vidéos avec des algorithmes de classification ou de détection sémantique.