L’apprentissage multivue vise à apprendre un modàle à partir de différentes représentations/vues des données. Dans ce contexte, nous proposons un algorithme d’apprentissage d’un modèle s’exprimant comme un vote de majorité pondéré. Ce vote se décompose en deux “sous-votes” : (i) pour chaque vue, un vote de majorité (spécifique à la vue) sur un ensemble de fonctions de bases est construit et (ii) un vote de majorité sur l’ensemble de ces votes spécifiques aux vues est construit ; ce dernier étant le modéle final. Afin d’apprendre les poids intervenant dans les votes, nous proposons une méthode d’optimisation basée sur le fait que la minimisation du risque empirique de notre modèle final peut s’exprimer comme une minimsation de divergences de Bregman.