Des algorithmes de classification de la couverture terrestre basés sur l'apprentissage profond ont récemment été proposés dans la littérature. Dans les images hyperspectrales (HSI), ils sont confrontés aux défis de la grande dimensionnalité, de la variabilité spatiale des signatures spectrales et de la rareté des données étiquetées. Cet article présente une architecture d'apprentissage profond complète qui extrait des caractéristiques spectrales et spatiales spécifiques à chaque bande et effectue la classification de la couverture terrestre. Cette architecture comporte moins de poids de connexion indépendants, ce qui réduit le nombre de données d'entraînement nécessaires. La méthode a été jugée supérieure aux meilleures précisions rapportées sur des ensembles de données d'images hyperspectrales populaires.