L'imagerie hyperspectrale est devenue un puissant outil pour surveiller les zones éloignées et identifier avec précision les matériaux présents dans une scène, contribuant ainsi de manière significative à notre compréhension de l'environnement. Bien qu’elle trouve des applications dans des domaines aussi variés que l’agriculture de précision, l’astronomie et le recyclage des plastiques, il reste encore des défis considérables à relever pour son adoption à plus grande échelle. Traditionnellement réservé aux experts du domaine, le volume croissant de données hyperspectrales nécessite des méthodes de traitement plus efficaces que celles que le travail manuel peut fournir pour aider les décideurs de manière pertinente. L'essor de l'apprentissage profond a introduit de nouvelles techniques capables de gérer automatiquement la complexité inhérente des images hyperspectrales dans des tâches telles que la classification des sols, la restauration d'images et le démélange spectral. Les principaux ingrédients du succès des réseaux de neurones artificiels tiennent en l’abondance de données, l’amélioration des capacités de calculs informatiques ainsi qu’aux progrès dans les algorithmes d’apprentissage. De plus, ces systèmes qui reposent exclusivement sur les données nécessitent des choix de conception sophistiqués fondés sur une connaissance préalable de la tâche à accomplir. Pourtant, la justification des prédictions des modèles profonds fait souvent défaut. À l'inverse, les méthodes d'apprentissage dites classiques, fondées sur des modèles, reposent sur un ensemble d'hypothèses de base que le prédicteur utilise pour générer une valeur à partir d'une nouvelle entrée, permettant d'expliquer logiquement la prédiction et fournissant un modèle potentiellement utile pour informer les utilisateurs. Le nouveau paradigme intitulé model-based deep learning a pour but de combiner les avantages de chaque approche. Cette démarche hybride intègre des principes mathématiques hérités de la littérature du traitement du signal au sein de systèmes qui reposent sur les données à disposition pour l'apprentissage. Dans cette thèse, nous proposons de nouveaux algorithmes qui reposent sur la notion de décomposition parcimonieuse et archétypale du signal, et qui ont été spécifiquement conçus pour traiter la restauration d'images hyperspectrales et le démélange spectral. En s'inspirant de la direction de recherche prélablement présentée, nous avons développé des méthodes d'apprentissage efficaces qui s'appuient sur principes de modélisation propres au traitement du signal. Nous commençons par présenter T3SC, une nouvelle architecture dite déroulée, qui repose sur un modèle de codage parcimonieux, conçue pour surmonter les défis spécifiques posés par les images hyperspectrales. Cette approche hybride, mêlant apprentissage profond et principes classiques de traitement d'images permet un entraînement efficace de bout en bout des paramètres du modèle sans nécessiter une quantité massive de données. Dans le cadre du démélange spectral, une étape critique dans l'analyse plus approfondie des images hyperspectrales, nous développons d'abord une approche efficace pour le démélange linéaire dit aveugle, EDAA, fondé sur l'analyse archétypale. Sous cette formulation, les spectres des matériaux d'intérêt sont modélisés sous forme de combinaisons convexes de pixels présents dans la scène. Notre méthode permet d'obtenir des résultats état-de-l’art sur une large gamme de jeux de données en tirant parti d'une procédure de sélection de modèle adéquate et sans nécessiter un réglage fastidieux des hyperparamètres. Notre contribution suivante étend le cadre d'analyse archétypale au contexte de démélange semi-supervisé. Malgré la nature non convexe du problème de minimisation associé, notre approche, SUnAA, démontre sa pertinence dans la résolution de scénarios de démélange difficiles dans lesquels les techniques traditionnelles de démélange dites parcimonieuses ont tendance à échouer. Enfin, nous effectuons une comparaison complète de diverses techniques de démélange dans plusieurs scénarios simulés, mettant en évidence les avantages des catégories de démélange supervisé, semi-supervisé et aveugle en fonction de la configuration expérimentale. Pour encourager l’adoption de ces méthodes, nous proposons un package Python open source nommé HySUPP. Toutes ces contributions ont conduit au développement d'un logiciel libre dédié, améliorant l'accessibilité et la reproductibilité au sein de la communauté d'utilisateurs et de chercheurs en imagerie hyperspectrale.