Cette thèse traite principalement de trois sujets. Le premier concentre sur le clustering en ligne dans lequel nous présentons un nouvel algorithme stochastique adaptatif pour regrouper des ensembles de données en ligne.Cet algorithme repose sur l'approche quasi‐bayésienne, avec une estimation dynamique (i.e., dépendant du temps)du nombre de clusters. Nous prouvons que cet algorithme atteint une borne de regret de l'ordre \sqrt{T\ln T} et que cette borne est asymptotiquement minimax sous la contrainte sur le nombre de clusters.