RÉSUMÉLes méthodes classiques reconnues pour la classification d'images, comme la classification par maximum de vraisemblance, ne sont pas toujours appropriées pour traiter, de nos jours, les données provenant de sources multiples en raison du volume élevé et de la diversité de ces données. Dans le présent article, deux méthodes sont examinées comme solution de rechange à la méthode de classification par maximum de vraisemblance (MV) pour la classification d'images provenant de sources multiples; il s'agit d'un algorithme de classification par raissonement véridique (RV) selon la théorie de Dempster-Shafer et de deux algorithmes de classification par réseaux neuronaux artificiels (RNA). Chaque méthode a été mise à l'épreuve dans des classifications distinctes de la couverture d'un sol de type alpin et de la profondeur des couches actives du pergélisol dans une région montagneuse du sud-ouest du Yukon, à l'aide d'un ensemble de données SPOT, de données sur la texture des images et de variables géomorphométriques tirées d'un modèle numérique d'élévation. La comparaison du niveau d'exactitude global moyen a démontré que la méthode de classification par RV offrait un niveau d'exactitude de 10 % supérieur à celui de la méthode de classification par MV et que la méthode de classification par RNA présentait un niveau d'exactitude de 5 % supérieur à celui de la méthode par RV. Les coefficients d'agrément de Kapp les plus élevés obtenus pour la couverture du sol furent 0,79, 0,90 et 0,96 avec la méthode par MV, la méthode par RV et la méthode par RNA respectivement. Des différences importantes du niveau d'exactitude des deux algorithmes de classification par RNA ont été observées dans plusieurs cas. Ces différences sont attribuables aux problèmes posés par la détermination des paramètres optimaux d'entraînement des réseaux neuronaux à l'aide de données d'entrée subjectives. Pour ce qui est de la durée de calcul, l'algorithme de classification par RV s'est révélé plusieurs ordres de grandeur plus rapide que les algorithmes de classification par RNA. Les conclusions que tirent les auteurs de ces expériences sont les suivantes : l'algorithme de classification par RV et les algorithmes de classification par RNA présentent des capacités supérieures à la méthode de classification par MV pour traiter des données provenant de sources multiples; l'algorithme de classification par raisonnement véridique est plus rapide et moins subjectif que la méthode de classification par réseaux neuronaux, cependant que cette dernière, en raison de son niveau d'exactitude plus élevé, est celle que les auteurs recommandent pour l'instant. La méthode, en effet, a donné les résultats escomptés compte tenu de l'avancement de la recherche dans le domaine des réseaux neuronaux, par rapport à la méthode relativement nouvelle du raisonnement véridique dont les applications en télédétection en sont aux premiers stades de développement; il s'avère justifié de mener des recherches plus poussés pour développer les algorithmes de classification par raisonnement véridique ainsi que pour déterminer les paramètres d'entrée optimaux des algorithmes de classification par réseaux neuronaux dans le but d'améliorer le niveau d'objectivité de cette méthode; enfin, les méthodes de classification par RV et par RNA semblent plus appropriées à l'analyse d'images provenant de sources multiples et à la classification de phénomènes environnementaux complexes.