La segmentation des données d'émission acoustique - ou partition des données - est un des enjeux actuels permettant d'accéder à des analyses plus approfondies de l'endommagement des matériaux par la discrimination des signaux provenant de différents mécanismes ou sources. Parmi les méthodes de classification non supervisées (pour lesquelles on ne connaît pas à priori le nombre de classes présentes dans le jeu de données), une des plus utilisées reste la méthode des K-moyenne (MacQueen, 1967). Les différents signaux y sont regroupés autour de centres de classe ; la qualité de la partition est évaluée par un critère reposant sur des calculs de similarité / dissimilarité, critère qu'il convient de minimiser. La faiblesse majeure de cette méthode reste l'initialisation aléatoire des centres de classes pouvant aboutir à un minimum local plutôt que global. Afin d'apporter une réponse à cette faille et améliorer la robustesse de la méthode, un algorithme génétique y a été inséré. Ce dernier remplit deux fonctions principales : il permet tout d'abord un balayage plus large de l'espace des solutions et garantit ensuite la convergence de la solution par son processus évolutif guidé vers la performance. Dans ce cas précis, il s'agit de minimiser une fonction dite « objectif » : le critère d'évaluation (coefficient de Davies et Bouldin). Les résultats du traitement de jeux de données contenant jusqu'à cinq classes issues d'essais sur matériaux permettent de mettre en valeur les apports d'un tel algorithme génétique par rapport au traitement conventionnel des données. Une discussion est portée sur les différents paramètres d'ajustement de cet algorithme et sur sa capacité à distinguer des classes aux populations déséquilibrées. Par ailleurs, l'importance du critère d'évaluation est soulignée par l'introduction d'un critère alternatif : les silhouettes. Enfin, les limites de la méthode sont discutées.