L’intégration de contraintes spatiales dans le processus de discrimination d’images hyperspectrales est connue comme un moyen efficace d’augmenter la précision de la classification. Nous proposons ici une nouvelle approche spectrale-spatiale de classification utilisant la régularisation anisotropique sur des images de dimension spectrale réduite (images scores) obtenues par moindres carrés partiels (PLS). Méthode : Le schéma de l’approche développée comprend trois étapes réalisées successivement (figure 1). La première étape consiste en une réduction de la dimension des données réalisée via une approche supervisée i.e. la PLS. Cette dernière permet d’obtenir un espace de dimension réduite en maximisant la covariance entre les variables descriptives (des pixels spectraux de l’image) et les variables prédictives (les classes). On obtient ainsi un ensemble d’images scores correspondant à la projection de l’image de départ sur un espace de dimension réduite. La deuxième étape consiste en une régularisation spatiale à partir d’un filtrage anisotropique. Le filtrage est réalisé sur chacune des images scores obtenues lors de l’étape 1. L’utilisation d’un tel filtrage a pour objectif d’augmenter l’homogénéité des régions tout en préservant leurs contours. La PLS permettant d’obtenir des scores indépendants (orthogonaux), chaque plan score peut être ainsi traité indépendamment. Cette étape de régularisation permet ainsi d’obtenir un nouvel ensemble d’images scores régularisées. La troisième étape consiste à réaliser la carte de classification finale à partir des images scores régularisées. Les nouvelles classes obtenues étant non convexes (multi modales), un classifieur de type k-plus proche voisin a été utilisé. Résultats : L’approche a été testée sur 3 images hyperspectrales de télédétection (scènes agricoles et urbaines) et présentant diverses résolutions spatiales et spectrales. Les résultats de classification obtenus avec notre approche ont été comparés à ceux obtenus avec d’autres approches de classification spectrale-spatiale déjà publiées pour un nombre variable et croissant d'échantillons d'apprentissage. Ces résultats montrent des potentialités certaines pour l'approche proposée.