Les modèles de Mélange de lois Gaussiennes (MG) ont étés utilisés dans de nombreux domaines, par exemple pour le traitement et la reconnaissance des images ou de la parole, où ils sont traditionnellement appris de façon non discriminante. Récemment des travaux ont porté sur l’apprentissage discriminants de tels modèles, à travers notamment la maximisation de la marge. L’idée de ces travaux consiste à formuler l’apprentissage discriminant de ces modèles comme un problème de maximisation de la marge et de le mettre sous la forme d’un problème d’optimisation convexe, pour lequel des techniques d’optimisation de type descente de gradient projeté peuvent être employées. Nous nous inspirons ici de ces travaux et proposons une nouvelle formulation du problème permettant l’emploi d’un algorithme de type SMO, popularisé pour les Machines à Vecteurs de Support, plus performant et plus rapide que la descente de gradient.