En vue de résoudre le problème selon lequel l’étiquetage manuel des échantillons dans la classification d’images hyperspectrales est coûteux et fastidieux, et où un grand nombre d’échantillons non étiquetés ne sont pas efficacement utilisés, entraînant des résultats de classification insatisfaisants, une méthode est proposée afin de sélectionner des échantillons pertinents et d’exploiter un réseau de neurones à convolution (CNN) pour extraire des caractéristiques spectrales et spatiales à des fins de classification. Une méthode d’apprentissage actif est employée pour construire un ensemble d’échantillons d’apprentissage pertinent par itération, en sélectionnant itérativement les échantillons les plus incertains à l’aide d’un machine à vecteurs de support (SVM), qui se distingue particulièrement dans les problèmes de classification à petits échantillons, puis en les étiquetant. Ensuite, un réseau de neurones à convolution 3D (3D-CNN) est utilisé pour extraire les caractéristiques spectrales et spatiales des images hyperspectrales. Les résultats expérimentaux obtenus sur les jeux de données Indian Pines et PaviaU montrent que la méthode proposée (3D VS-CNN) surpasse les méthodes classiques de classification.