L'utilisation de sonar haute résolution pour la guerre des mines permet d'envisager la classification d'un objet immergé à partir de l'ombre acoustique portée sur le fond. Le levé des ambiguïtés inhérentes à la classification monovue peut être réalisé en utilisant plusieurs images présentant les ombres acquises selon des points de vue distincts. Nous proposons ainsi d'effectuer une classification supervisée multi-vues par fusion des attributs caractéristiques extraits d'images sonar constituant trois points de vue imprécis (angles de vue inconnus) d'une même cible. La méthode repose sur l'analyse de la répartition d'attributs caractéristiques extraits d'images sonar haute résolution dans le cadre de la théorie des ensembles flous et la définition de modèles de fusion adaptés. L'évaluation de ces modèles a été réalisée sur une base d'images simulées avec cinq types de mines.