Dans un travail précédent, nous avons proposé une méthode de reconnaissance de formes (classification et recherche) basée sur le recalage et les géodésiques de formes. Dans cet article, nous y introduisons une étape supplémentaire d'estimation de pose pour l'accélération du temps de traitement. Nous montrons ensuite que les géodésiques de formes peuvent également être utilisées par des techniques de classification de type SVM ou forêts aléatoires. Les expérimentations menées sur la base de formes MPEG-7 montrent (1) une réduction du temps de calcul des attributs caractéristiques d'un facteur dix en moyenne, et (2) une amélioration du taux de bonne classification par rapport au classifieur plus proche voisin : En analyse mono-échelle : Plus proche voisin (95, 05%), Forêt aléatoire (96, 10%), SVM (97, 66%). En analyse multi-échelle : Plus proche voisin (98, 86%), Forêt aléatoire (99, 02%), SVM (99, 44%). Abstract – In a previous work, we proposed a method of pattern recognition (classification and retreival) based on signal registration and shape geodesics. In this paper, we introduce a preliminary step of pose estimation for accelerating the processing time. We then show that shape geodesics may also be used by classification techniques such as SVM and random forest algorithms. Experiments conducted on the shapes of the benchmark database MPEG-7 show (1) a reduction in computation time of the attributes of a factor of ten in average, and (2) an improvement in the classification rate compared to the nearest neighbor classifier: In single-scale analysis: Nearest Neighbor (95.05%), Random Forest (96.10%), SVM (97.66%). Multi-scale analysis: Nearest Neighbor (98.86%), random forest (99.02%), SVM (99.44%).