Le cadre de ce travail est celui de la méthode d'apprentissage supervisé SUCRAGE qui se base sur la génération automatique de règles de classification. Ces règles sont exploitées par un moteur d'inférence classique : seules les règles dont les prémisses sont vérifiées par la nouvelle observation à classer sont déclenchées. Ce moteur a été étendu à une inférence approximative qui permet de déclencher les règles pas trop éloignées de la nouvelle observation. Nous proposons une utilisation originale du raisonnement approximatif non plus comme un mode d'inférence mais comme un moyen d'affiner l'apprentissage. Le raisonnement approximatif est utilisé pour générer de nouvelles règles dont les prémisses sont élargies : les imprécisions des observations sont alors prises en compte et les problèmes liés à la discrétisation des attributs continus sont atténués. Notre approche a été testée avec différentes bases d'apprentissage et confrontée à une application réelle dans le domaine du traitement d'images.