Dans cet article nous présentons une nouvelle méthode d'apprentissage qui permet de produire des fonctions de décision binaire de complexités réduites avec des SVMs (Support Vector Machines). Cette méthode sélectionne aussi un espace couleur hybride approprié pour chaque fonction de décision produite. L'objectif est de permettre la construction d'un classificateur de pixels rapide et performant en généralisation à base de SVM. La quantification vectorielle est utilisée dans notre méthode pour simplifier la base d'apprentissage en remplacant les pixels la constituant par un ensemble réduit de prototypes. La création de fonctions de décision performantes et de complexités réduites correspond à la recherche d'un modèle optimal qui regroupe à la fois le niveau de simplification de la base d'apprentissage et le choix d'un espace couleur hybride dédié, ainsi que les hyperparamètres des SVMs. La recherche Tabou est utilisée dans notre methode pour la sélection d'un modèle quasi-optimal dans des temps exploitables. Des résultats expérimentaux montrent l'efficacité de notre méthode.