La classification supervisée et le démélange spectral sont deux techniques permettant d’extraire de l’information d’images hyperspectrales. Cependant, malgré la complémentarité de ces techniques, il est rare de trouver des travaux les exploitant conjointement. Nous proposons donc un nouveau modèle bayésien hiérarchique pour mener de façon conjointes ces deux types d’analyse, de sorte à ce que chacune soit facilitée par l’autre. Pour cela, un modèle de mélange linéaire de spectres purs est utilisé pour décrire le mélange spectral puis l’image est segmentée en plusieurs groupes caractérisés par des pixels dont les abondances sont statistiquement proches. Une loi a priori est définie sur ces étiquettes de groupe sous la forme d’un champ aléatoire de Markov. Ce champ inclut classiquement un potentiel de Potts-Markov promouvant la cohérence spatiale de ces étiquettes. Il est complété par un potentiel local de site induit par la classification. Cette classification exploite la présence de données déjà labellisées par l’utilisateur. Les estimateurs bayésiens des paramètres du modèle (abondances, étiquettes de groupes, étiquettes de classes) sont approchés à l’aide d’un algorithme de Monte Carlo par chaîne de Markov. L’intérêt du modèle est illustré à l’aide d’expériences menées sur des données synthétiques et réelles.