En imagerie médicale, il est difficile de fournir une analyse et une interprétation pertinentes en s'appuyant uniquement sur les données. L'association entre méthodes symboliques et structurelles d'une part, et méthodes numériques d'autre part est donc primordiale. Cet article résume quelques uns de nos travaux au carrefour de l'intelligence artificielle et de l'interprétation d'images, avec des applications en imagerie médicale. Nous présentons l'intérêt de la modélisation de connaissances pour guider l'inteprétation d'images médicales, en insistant sur les connaissances structurelles telles que des relations spatiales. Ces connaissances peuvent être modélisées sous forme d'ontologies, de graphes, ou encore de réseaux de contraintes, associés à des représentations floues de relations spatiales. Nous illustrons quelques méthodes de reconnaissance d'objets et de scènes, guidées par ces modèles, en particulier en imagerie cérébrale, pour la segmentation et la reconnaissance de structures internes du cerveau, y compris en présence de tumeurs.