Dans cet exposé, nous présentons comment l'imputation multiple peut être envisagée pour traiter les valeurs manquantes dans le cadre de la classification. Celle-ci consiste en trois grandes étapes : l'imputation des données, l'analyse des tableaux imputés par classification et l’agrégation des résultats. Nous aborderons dans un premier temps la question de l'imputation des valeurs manquantes dans ce contexte et présenterons en particulier une approche d'imputation séquentielle intitulée FCS-homo. Ensuite, nous traiterons de l'étape d'analyse des tableaux imputés. Nous expliquerons notamment comment l'instabilité de chaque partition, obtenue à partir de chacun des tableaux imputés, peut être évaluée. Enfin, nous traiterons de la question de l'agrégation des différentes partitions et de leur mesure d'instabilité. La méthodologie proposée sera évaluée à l'aide d'une étude par simulation en comparaison avec des méthodes récentes. Nous commençons par traiter le cas où les observations sont issues d'un modèle de mélange gaussien. L'étude sera ensuite complétée par des expériences basées sur différents jeux de données réels où la distribution des données sera cette fois-ci inconnue. Ces premiers résultats tendent à montrer que l'imputation multiple est une méthode efficace pour traiter les données manquantes en classification, que ce soit pour des approches basées sur des distances, telle que celle des k-means, ou pour des approches basées sur des modèles, telle que la classification par modèle de mélange Gaussien.