Des recherches récentes ont montré que l’utilisation d’informations spectrales et spatiales peut considérablement améliorer les performances de la classification des images hyperspectrales (HSI). Les données HSI sont généralement représentées sous la forme de cubes tridimensionnels. Par conséquent, le filtrage spatial 3D offre naturellement une méthode simple et efficace pour extraire simultanément les caractéristiques spectrales et spatiales présentes dans ces images. Dans cet article, nous proposons un cadre basé sur un réseau de neurones convolutif tridimensionnel (3D-CNN) pour une classification précise des images hyperspectrales. La méthode proposée traite l’ensemble des données du cube HSI sans recourir à aucun prétraitement ni post-traitement, permettant ainsi une extraction efficace de caractéristiques profondes combinant aspects spectraux et spatiaux. De plus, elle nécessite un nombre réduit de paramètres par rapport aux autres méthodes fondées sur l’apprentissage profond. Le modèle ainsi obtenu est donc plus léger, moins sujet au surapprentissage et plus facile à entraîner. Pour évaluation et comparaison, nous testons la méthode proposée ainsi que trois autres approches basées sur l’apprentissage profond pour la classification HSI — à savoir l’autoencodeur empilé (SAE), le réseau profond bref (DBN) et les méthodes basées sur le CNN 2D — sur trois jeux de données réels d’images hyperspectrales captés par différents capteurs. Les résultats expérimentaux démontrent que notre méthode fondée sur le 3D-CNN surpasse ces approches de pointe et établit un nouveau record.