Les techniques d’apprentissage supervisé occupent une place centrale dans de nombreuses tâches en télédétection. Malheureusement, ces méthodes, en particulier les approches récentes basées sur l’apprentissage profond, nécessitent souvent de grandes quantités de données étiquetées pour l’entraînement. Bien que les satellites acquièrent de vastes volumes de données, leur étiquetage s’avère souvent fastidieux, coûteux et exigeant des connaissances spécialisées. Par conséquent, il est nécessaire de développer des méthodes améliorées qui requièrent moins d’exemples étiquetés. Nous présentons MSMatch, la première approche d’apprentissage semi-supervisé compétitive avec les méthodes supervisées pour la classification de scènes sur les jeux de données de référence EuroSAT et UC Merced Land Use. Nous évaluons à la fois des images RGB et multispectrales pour EuroSAT, et menons diverses études d’ablation afin d’identifier les composantes critiques du modèle. Le réseau neuronal entraîné atteint des résultats de pointe sur EuroSAT, avec une précision jusqu’à 19,76 % supérieure à celle des méthodes antérieures, selon le nombre d’exemples étiquetés disponibles. Avec seulement cinq exemples étiquetés par classe, nous obtenons respectivement 94,53 % et 95,86 % de précision sur les jeux de données EuroSAT RGB et multispectrales. Sur le jeu de données UC Merced Land Use, nous surpassons les travaux antérieurs jusqu’à 5,59 % et atteignons 90,71 % avec cinq exemples étiquetés par classe. Nos résultats démontrent que MSMatch est capable de réduire considérablement les exigences en données étiquetées. La méthode se généralise efficacement aux données multispectrales et devrait permettre de nombreuses applications actuellement impossibles en raison du manque de données étiquetées. Nous mettons à disposition le code source de MSMatch en ligne afin de faciliter la reproduction des résultats et l’adoption rapide de la méthode.