La classification des images hyperspectrales (HSI) à l’aide des réseaux de neurones convolutifs (CNN) est largement documentée dans la littérature actuelle. Les approches varient de l’utilisation de SVM à des CNN 2D, 3D, ou encore des architectures hybrides 3D-2D. À l’exception des méthodes 3D-2D et FuSENet, les autres approches ne prennent pas en compte conjointement les caractéristiques spectrales et spatiales pour la tâche de classification HSI, ce qui entraîne des performances médiocres. Les CNN 3D sont particulièrement coûteux en termes de calcul et peu utilisés en pratique, tandis que les CNN 2D ne prennent pas en compte le traitement à plusieurs résolutions des images et se limitent uniquement aux caractéristiques spatiales. Même si les architectures 3D-2D tentent de modéliser à la fois les caractéristiques spectrales et spatiales, leurs performances semblent limitées lorsqu’elles sont appliquées à plusieurs jeux de données. Dans cet article, nous proposons SpectralNET, un CNN basé sur les ondelettes, qui constitue une variante des CNN 2D destinée à la classification multi-résolution des images hyperspectrales. Ce modèle exploite des couches de transformation par ondelettes pour extraire efficacement les caractéristiques spectrales, une opération moins coûteuse en calcul que celle requise par les CNN 3D. Les caractéristiques spectrales ainsi extraites sont ensuite connectées à un CNN 2D, chargé d’extraire les caractéristiques spatiales, permettant ainsi la formation d’un vecteur de caractéristiques spatiales-spectrales adapté à la classification. L’ensemble constitue un modèle plus performant, capable de classifier des données HSI multi-résolution avec une grande précision. Des expériences menées sur des jeux de données de référence — Indian Pines, University of Pavia et Salinas Scenes — confirment la supériorité de SpectralNET par rapport aux méthodes de pointe actuelles. Le code source est disponible publiquement à l’adresse suivante : https://github.com/tanmay-ty/SpectralNET.