L’apprentissage de métrique est une branche de l’apprentissage automatique, et plus spécifiquement de l’apprentissage de représentation, qui consiste à apprendre les paramètres d’une métrique de façon à améliorer ses qualités intrinsèques lors de son utilisation. Dans cette thèse, nous résumons les récents développements autour de ces apprentissages de métrique, à la fois sur des données dites plates, mais également sur des données structurées. Le manque de pouvoir de représentation des métriques actuellement utilisées nous conduit à proposer une nouvelle métrique fondée sur des fonctions sous-modulaires. Cette nouvelle proposition d’augmenter de manière significative l’évaluation des interactions entre dimensions des données. Un algorithme d’apprentissage de cette métrique est par la suite proposé. Dans un second temps, nous présentons deux approches LSCS (sélection de contraintes relationnelles) et MRML (multi-relation metric learning) permettant de traiter des types de données extrêmement présent dans les systèmes d’informations: les bases de données relationnelles. L’ensemble de ces propositions sont ensuite expérimentalement comparés à l’existant, justifiant l’intérêt pratique des approches proposées.