Pour améliorer les performances de classification dans le contexte du traitement d'images hyperspectrales, de nombreuses études ont été développées en s'appuyant sur deux stratégies courantes : l'intégration des informations spatiales et spectrales, et l'utilisation des réseaux de neurones. Cependant, ces deux stratégies nécessitent généralement plus de données d'entraînement que les algorithmes classiques, exacerbant ainsi la pénurie d'échantillons étiquetés. Dans cette lettre, nous proposons un cadre novateur qui combine de manière organique un modèle d'apprentissage métrique profond basé sur le spectre et l'algorithme de champ aléatoire conditionnel (Conditional Random Field). Le modèle d'apprentissage métrique profond est supervisé par une perte centrale afin de produire des caractéristiques spectrales qui se regroupent plus étroitement dans l'espace euclidien au sein des classes. Le champ aléatoire conditionnel avec des potentiels d'arêtes gaussiens, initialement proposé pour les tâches de segmentation d'images, est introduit pour fournir une classification pixel par pixel sur l'image hyperspectrale en utilisant à la fois les distances géographiques entre les pixels et les distances euclidiennes entre les caractéristiques produites par le modèle d'apprentissage métrique profond. Le cadre proposé est entraîné à partir de pixels spectraux lors de la phase d'apprentissage métrique profond et utilise des caractéristiques spatiales semi-manuelles lors de la phase du champ aléatoire conditionnel. Cette approche atténue dans une certaine mesure la pénurie de données d'entraînement. Les expériences menées sur deux images hyperspectrales réelles démontrent les avantages de la méthode proposée en termes de précision de classification et de coût computationnel.