L'analyse de données hydrogéochimiques a pour objectif d'améliorer la compréhension des échanges de matières entre sol et du sous-sol. Ce travail se concentre sur l'étude des interactions fluides-fluides au travers des systèmes de mélange de fluides et plus particulièrement de la détection des compositions des sources du mélange. La détection se fait au moyen d'un processus ponctuel : le modèle proposé est non supervisée et applicable à des données multidimensionnelles. Les connaissances physiques sur les mélanges et géologiques sur les données sont directement intégrés dans la densité de probabilité d'un processus ponctuel de Gibbs, qui distribue des configurations de points dans l'espace des données, appelé le modèle HUG. Les sources détectées forment la configuration de points qui maximise la densité de probabilité du modèle HUG. Cette densité de probabilité est connue à une constante de normalisation près. La connaissance sur les paramètres du modèle, qu'elle soit acquise d'une manière expérimentale ou bien en utilisant des méthodes d'inférence, y est intégrée sous forme des lois a priori. La configuration des sources est obtenue par un algorithme de type recuit simulé et des méthodes de type Monte-Carlo par Chaînes de Markov (MCMC). Les paramètres du modèle sont estimés par une méthode de calcul bayésien approximatif (ABC). Dans un premier temps, le modèle est appliqué sur des données synthétiques, et après sur des données réelles. Les paramètres du modèle sont estimés ensuite pour un jeu de données synthétiques avec les sources connues. Enfin, la sensibilité du modèle aux données, aux paramètres et aux algorithmes est étudiée.