Nous abordons le problème de la découverte de nouvelles classes au sein d'une collection d'images, à partir d'exemples étiquetés provenant d'autres classes. Nous proposons une nouvelle approche, nommée AutoNovel, pour résoudre ce problème en combinant trois idées fondamentales : (1) nous suggérons que l'approche classique consistant à initialiser une représentation d'image à partir uniquement des données étiquetées introduit un biais indésirable, et que ce biais peut être évité en utilisant l'apprentissage auto-supervisé pour entraîner la représentation depuis le début sur l'union des données étiquetées et non étiquetées ; (2) nous utilisons des statistiques de classement pour transférer les connaissances du modèle concernant les classes étiquetées vers le problème du regroupement des images non étiquetées ; (3) nous entraînons la représentation des données en optimisant une fonction objectif conjointe sur les sous-ensembles étiquetés et non étiquetés, améliorant ainsi à la fois la classification supervisée des données étiquetées et le regroupement des données non étiquetées. En outre, nous proposons une méthode pour estimer le nombre de classes dans le cas où le nombre de nouvelles catégories n'est pas connu a priori. Nous évaluons AutoNovel sur des benchmarks standard de classification et obtenons des résultats significativement supérieurs à ceux des méthodes actuelles de découverte de catégories nouvelles. En outre, nous démontrons également que AutoNovel peut être utilisée pour le regroupement d'images entièrement non supervisé, obtenant des résultats prometteurs.