Ces dernières années, divers frameworks d’apprentissage profond ont été proposés pour la classification des images hyperspectrales (HSI). Toutefois, les modèles de réseau proposés présentent une complexité élevée et ne parviennent pas à atteindre une précision de classification satisfaisante lorsqu’ils sont utilisés dans un cadre d’apprentissage à très peu d’exemples (few-shot learning). Ce papier présente une méthode de classification d’images hyperspectrales combinant le réseau à patches aléatoires (RPNet) et un filtrage récursif (RF) afin d’extraire des caractéristiques profondes informatives. La méthode proposée commence par convoluer les bandes spectrales de l’image avec des patches aléatoires afin d’extraire des caractéristiques profondes multi-niveaux via RPNet. Ensuite, l’ensemble des caractéristiques RPNet est soumis à une réduction de dimension par analyse en composantes principales (PCA), et les composantes extraites sont filtrées à l’aide du procédé RF. Enfin, les caractéristiques spectrales de l’HSI ainsi que les caractéristiques RPNet–RF obtenues sont combinées pour classer l’image hyperspectrale à l’aide d’un classifieur à machines à vecteurs de support (SVM). Afin d’évaluer la performance de la méthode proposée RPNet–RF, plusieurs expériences ont été menées sur trois jeux de données largement reconnus, en utilisant un faible nombre d’échantillons d’apprentissage par classe. Les résultats de classification ont été comparés à ceux obtenus par d’autres méthodes avancées de classification d’HSI adaptées aux petits jeux d’apprentissage. Les comparaisons montrent que la classification RPNet–RF se distingue par des valeurs plus élevées des métriques d’évaluation, notamment l’exactitude globale et le coefficient Kappa.