Ces dernières années, les techniques d'apprentissage profond ont révolutionné la manière dont les données de télédétection sont traitées. La classification des données hyperspectrales n'échappe pas à cette tendance, mais présente des spécificités intrinsèques qui rendent l'application de l'apprentissage profond moins directe que pour d'autres types de données optiques. Cet article présente un état de l'art des approches précédentes en apprentissage automatique, examine les différentes méthodes d'apprentissage profond actuellement proposées pour la classification hyperspectrale et identifie les problèmes et difficultés liés à la mise en œuvre de réseaux neuronaux profonds pour cette tâche. En particulier, il aborde les questions de résolution spatiale et spectrale, du volume des données et du transfert des modèles d'images multimédia aux données hyperspectrales. De plus, une étude comparative de diverses familles d'architectures de réseau est fournie, ainsi qu'une boîte à outils logicielle publiée pour permettre l'expérimentation de ces méthodes. Cet article s'adresse tant aux scientifiques des données intéressés par les données hyperspectrales qu'aux experts en télédétection souhaitant appliquer des techniques d'apprentissage profond à leurs propres jeux de données.