Il s'agit d'étudier une ou plusieurs méthodes de classification de données dans le but de définir un système de diagnostic ou de surveillance générique d'un parc de machines ou plus généralement de systèmes. Dans le cas considéré, les données expertisées viennent de plusieurs éléments du parc. Elles constituent l'ensemble d'apprentissage de départ. L'approche consiste à définir un classifieur par élément et à le fusionner avec un second classificateur commun à tous les systèmes (il s'agira ici du classifieur générique). La règle spécifique à chaque élément et celle commune à l'ensemble du parc sont déterminées de façon classique selon la méthode d'apprentissage choisie. Plusieurs méthodes de classification (discrimination linéaire et SVM linéaire) ont été considérées. Pour chaque élément, la fusion est obtenue par combinaison linéaire des sorties du classifieur spécifique et de la règle générique. Une étude expérimentale a été menée. Son objet a été de comparer la règle composée ainsi obtenue aux règles spécifiques et à la règle générique. Le poids attribué à chaque règle ainsi que l'impact du nombre d'échantillons de la population d'apprentissage sur la performance ont été analysés dans un cas simple simulé. Chaque élément a deux modes de fonctionnement représentés par deux classes gaussiennes de même variance (dans ce cas, le discriminateur optimal est linéaire). Les variances et moyennes des classes changent légèrement pour chaque élément. Les travaux réalisés permettent de montrer l'intérêt de la fusion et l'influence du nombre d'échantillons par classe sur les poids relatifs des règles spécifiques par rapport à la règle générique. De très nombreuses questions restent ouvertes et sont en cours d'investigation (détermination de la règle composée optimale, détermination de sous-groupes d'éléments...).