Grâce aux résultats remarquables obtenus par les méthodes d’apprentissage profond dans le domaine de la vision par ordinateur, un nombre croissant de recherches visent à appliquer ces outils puissants à la classification des images hyperspectrales (HSI). Jusqu’à présent, la plupart de ces méthodes reposent sur une phase de pré-entraînement suivie d’une phase d’ajustement fin (fine-tuning) afin d’extraire des caractéristiques profondes, une approche qui s’avère non seulement très coûteuse en temps mais également fortement dépendante d’importants volumes de données d’entraînement. Dans cette étude, nous proposons une méthode efficace basée sur l’apprentissage profond, nommée Random Patches Network (RPNet), destinée à la classification des images hyperspectrales. Cette méthode considère directement les patches aléatoires extraits de l’image comme des noyaux de convolution, sans nécessiter d’entraînement. En combinant à la fois des caractéristiques convolutives de haut niveau et de bas niveau, RPNet bénéficie d’une capacité multi-échelle, lui conférant une meilleure adaptation à la classification des images hyperspectrales, où les objets présentent souvent des tailles variées. Des expérimentations ont été menées sur trois jeux de données standardisées en classification HSI, en testant la méthode proposée ainsi que deux de ses variantes, RandomNet et RPNet–single. Les résultats expérimentaux démontrent que RPNet atteint une performance compétitive par rapport aux méthodes existantes.