Nous abordons dans ce papier le problème de la classification nonsupervisée multi-vues, i.e. où les données peuvent être décrites par plusieurs ensembles de variables ou par plusieurs matrices de proximités. De nombreux domaines d'applications sont concernés, tels la Recherche d'Information, la Biologie, la Chimie et le Marketing. L'objet de cet axe de recherche est de proposer un cadre théorique et méthodologique permettant la découverte d'une classification réalisant un consensus entre les organisations émanant de toutes les vues. Il convient alors de combiner les informations de chacune des vues par l'intermédiaire d'un processus de fusion consistant à identifier l'accord entre les vues et à réduire le conflit. Plusieurs stratégies de fusion peuvent être appliquées, en amont, en aval, ou pendant le processus de classification. Nous présentons les différentes solutions de fusion envisageables suivant différents contextes applicatifs, puis nous nous focalisons sur des techniques dites centralisées. Nous proposons une approche de classification non supervisée floue qui généralise différentes solutions de fusion et nous présentons une extension à noyaux de cette approche, permettant le traitement de données hétérogènes. Nousmontrons l'apport théorique et expérimental de cette approche sur des jeux de données benchmarks synthétiques et réels.