L'apprentissage statistique établit un modèle de classification probabiliste. Dans le cas supervisé, ce modèle est estimé à partir d'un jeu de données labelisées, i.e. à chaque observation correspond un label. Dans le cas faiblement supervisé, le label n'est pas exactement connu. Dans notre cas, seule la probabilité d'associer une observation à une classe est connue. Ainsi à chaque observation correspond un vecteur de probabilité d'affectation aux différentes classes. Les méthodes développées dans cet article sont appliquées à la reconnaissance d'objets dans une image. Nous disposons de plusieurs images contenant des objets à classifier. La vérité terrain pour les images d'apprentissage est la proportion relative des classes dans chaque image. Cette proportion globale donne la probabilité d'affectation de chaque objet de l'image d'apprentissage. L'originalité de ce papier est dans l'association d'un ensemble de données d'apprentissage labelisées en proportion avec un modèle probabiliste de classification basé sur la combinaison de plusieurs modèles discriminants dont la combinaison s'effectue à l'aide d'une technique de Bagging. Deux modèles de classification (l'un Bayésien et l'autre discriminant) sont comparés sur des données provenant de campagnes océanographiques (l'objectif étant de reconnaitre à quelle classe d'espèce est affecté un banc de poissons dans une image, la proportion des classes étant donnée par chalutage). Pour ce jeu de données, le modèle discriminant est plus robuste au nombre de classes présentes dans l'image. L'apport du bagging est mis en évidence pour le modèle discriminant.