La question de la sélection de jeux optimaux de bandes spectrales pour la classification a été largement abordée dans la littérature. Néanmoins, elle a souvent été considérée comme un prétraitement afin d'alléger les volumes de données à traiter avant l'étape de classification, c'est-à-dire comme une alternative à d'autres méthodes de réduction de dimension, comme par exemple les techniques d'extraction de caractéristiques. Dans le cas présent, on souhaite, à partir de jeux de données hyperspectrales, identifier de manière plus générale les configurations spectrales les plus intéressantes pour des problématiques de classification spécifiques, comme en particulier la classification des matériaux en milieu urbain. On s'attachera donc davantage à identifier des ensembles de jeux de bandes performants, et à en tirer des conclusions sur les parties du spectre utiles pour une thématique précise, mais aussi à connaître l'influence du nombre de bandes sélectionnées sur la qualité du résultat. Pour ce faire, plusieurs approches classiques de sélection d'attributs ont été mises en œuvre (Random Forest, algorithme génétique associé à un classifieur SVM, ...), en exploitant certains résultats intermédiaires. On s'intéressera enfin à l'influence de la largeur des bandes, en plaçant ces travaux dans la perspective de la mise au point de capteurs superspectraux dédiés à des problématiques précises. Différents résultats seront présentés, issus à la fois des jeux de données classiques de la littérature, ainsi que d'une acquisition aéroportée UMBRA spécifiquement dédiée à la thématique des cartes de matériaux urbains.