Je présente dans cet article un modèle de classification automatique adapté aux données catégorielles présentant un fort taux de données manquantes. Ce modèle s’appuie sur le concept de stéréotype et cherche, en utilisant une méta-heuristique de recherche taboue, à trouver l’ensemble de stéréotypes qui caractérise le mieux l’ensemble d’apprentissage. Une première évaluation utilise des jeux de données artificiels et permet de montrer la robustesse des résultats obtenus comparativement à trois algorithmes classiques de clustering. L’application réelle considérée consiste à extraire automatiquement des stéréotypes à partir d’articles de presse. Elle montre la pertinence de notre modèle par rapport aux autres approches existantes.