L'imagerie hyperspectrale, grâce à un nombre élevé de bandes spectrales très fines et contigües, est capable d'associer à chaque pixel d'une image une signature spectrale caractéristique du comportement réflectif du matériau ou du mélange de matériaux présents dans ce pixel. La plupart des algorithmes de classification tirent profit de cette grande profusion d'information spectrale mais exploitent très peu l'information contextuelle existant entre les pixels appartenant à un même voisinage. L'objectif de cette thèse est de réaliser de nouveaux algorithmes utilisant simultanément les informations spectrale et spatiale à des fins de classification et d'étudier la complémentarité de ces deux types d'information dans divers contextes. Dans cette optique nous avons développé trois scénarios de classification sensiblement différents, chacun étant adapté à un type d'application particulier. Nous avons tout d'abord développé un procédé d'extraction puis de classification vectorielle d'un ensemble de caractéristiques spectrales et spatiales. Les caractéristiques spectrales sont extraites au moyen de méthodes visant à réduire la dimension des images hyperspectrales tout en conservant une majorité de l'information utile. Les caractéristiques spatiales sont quant à elles produites par l'intermédiaire d'outils de caractérisation de la texture (matrices de co-occurrence et spectres de texture) ou de la forme (profils morphologiques). Nous nous sommes ensuite intéressés à la modélisation markovienne et avons entrepris d'adapter un algorithme de classification de type Conditional Random Field à un contexte hyperspectral. Notre troisième et dernière approche s'appuie sur une segmentation préalable de l'image afin de réaliser une classification par zones et non plus par pixels. L'information spectrale pure permet de regrouper efficacement des pixels présentant des signatures spectrales similaires et suffit généralement dans le cadre de problèmes de classification ne faisant intervenir que des classes sémantiquement très précises, liées à un unique type de matériau. Les classes plus générales (utilisées par exemple pour des applications d'aménagement des sols) se composent en revanche de plusieurs matériaux parfois communs à plusieurs classes et agencés selon des motifs qui se répètent. Caractérisables à la fois spatialement et spectralement, ces classes sont susceptibles d'être plus complètement décrites par une utilisation simultanée de ces deux types d'information. Pour conclure cette étude, nous avons effectué une comparaison des trois méthodes d'intégration de l'information spatiale au processus de classification selon les trois critères sont la précision de classification, la complexité algorithmique et la robustesse.