Les réseaux de neurones profonds (DNN) présentent des performances remarquables pour la classification des images hyperspectrales (HSI) lorsque des échantillons étiquetés abondants sont disponibles. Le problème réside dans le fait que l’annotation des échantillons HSI est extrêmement coûteuse, et que le budget alloué à cette tâche est généralement limité. Afin de réduire la dépendance aux échantillons étiquetés, l’apprentissage semi-supervisé profond (SSL), qui permet d’apprendre conjointement à partir d’échantillons étiquetés et non étiquetés, a été introduit dans la littérature. Toutefois, l’apprentissage de caractéristiques robustes et discriminantes à partir des données non étiquetées reste un défi majeur en raison des divers effets de bruit et de l’ambiguïté inhérentes aux échantillons non étiquetés. En conséquence, les progrès récents sont principalement restreints à l’étape de pré-entraînement ou de phase de préchauffage. Dans cet article, nous proposons un cadre probabiliste profond visant à générer des pseudo-étiquettes fiables, permettant ainsi d’apprendre explicitement des caractéristiques discriminantes à partir des échantillons non étiquetés. Les pseudo-étiquettes générées par notre cadre peuvent être intégrées à divers DNN afin d’améliorer leur capacité de généralisation. Notre approche utilise uniquement 10 échantillons étiquetés par classe pour représenter l’ensemble des étiquettes sous la forme d’une distribution prise en compte de l’incertitude dans l’espace latent. Les pseudo-étiquettes sont ensuite générées pour les échantillons non étiquetés dont les valeurs de caractéristiques correspondent avec une haute probabilité à cette distribution. En menant des expériences approfondies sur quatre jeux de données publics, nous démontrons que notre cadre est capable de produire des pseudo-étiquettes fiables, permettant ainsi d’améliorer significativement la capacité de généralisation de plusieurs DNN d’avant-garde. En outre, nous introduisons un nouveau DNN pour la classification des images hyperspectrales, qui obtient des résultats d’exactitude exceptionnels par rapport à ses concurrents.