La classification d'images satellites est un problème complexe se situant à la croisée de la télédétection, de la vision par ordinateur et de l'apprentissage automatique. En raison de la forte variabilité inhérente aux données satellites, la plupart des approches actuelles de classification d'objets ne sont pas adaptées pour traiter les ensembles de données satellites. Le progrès des analyses d'images satellites a également été freiné par le manque d'un seul ensemble de données à haute résolution avec plusieurs étiquettes de classe. Les contributions de cet article sont doubles : (1) premièrement, nous présentons deux nouveaux ensembles de données satellites appelés SAT-4 et SAT-6 ; (2) ensuite, nous proposons un cadre de classification qui extrait des caractéristiques d'une image d'entrée, les normalise et alimente les vecteurs de caractéristiques normalisés à un Réseau de Croyance Profond pour la classification. Sur l'ensemble de données SAT-4, notre meilleur réseau produit une précision de classification de 97,95 % et surpasse trois algorithmes avancés de reconnaissance d'objets, à savoir les Réseaux de Croyance Profonds, les Réseaux Neuronaux Convolutifs et les Autoencodeurs Débruiteurs Empilés, d'environ 11 %. Sur SAT-6, il produit une précision de classification de 93,9 % et surpasse les autres algorithmes d'environ 15 %. Des études comparatives avec un classifieur Random Forest montrent l'avantage d'une approche d'apprentissage non supervisé par rapport aux techniques traditionnelles d'apprentissage supervisé. Une analyse statistique basée sur le Critère de Séparabilité des Distributions et l'Estimation Dimensionnelle Intrinsèque confirme l'efficacité de notre approche dans l'apprentissage de représentations améliorées pour les images satellites.