and available online here Cet article fait partie du dossier thématique ci-dessous publié dans la revue OGST, Vol. 69, n°2, et téléchargeable ici Re´sume´-Me´lange de Gaussiennes spatialise´et se´lection de mode`le pour la segmentation nonsupervise´e d'images spectrales -Dans cet article nous de´crivons un nouvel algorithme de segmentation non-supervise´e applicable aux images spectrales. Cet algorithme e´tend les techniques de classification non-supervise´e fonde´es sur les mode`les de me´lange de Gaussiennes, en y incorporant les informations spatiales : les spectres sont mode´lise´s par un me´lange de K classes, chacune avec une distribution Gaussienne, dont les proportions de me´lange de´pendent de la position. En imposant une structure constante par morceaux aux proportions de me´lange, nous construisons une proce´dure d'estimation, de type maximum de vraisemblance pe´nalise´e, qui optimise simultane´ment la partition ainsi que les autres parame`tres du mode`le, en particulier le nombre de classes. Nous fournissons une garantie the´orique pour cette estimation, meˆme quand la loi ge´ne´ratrice ne fait pas partie des mode`les envisage´s, et de´crivons une mise en oeuvre efficace. Finalement, nous appliquons cet algorithme a`un jeu de donne´es re´el.Abstract -Unsupervised Segmentation of Spectral Images with a Spatialized Gaussian Mixture Model and Model Selection -In this article, we describe a novel unsupervised spectral image segmentation algorithm. This algorithm extends the classical Gaussian Mixture Model-based unsupervised classification technique by incorporating a spatial flavor into the model: the spectra are modelized by a mixture of K classes, each with a Gaussian distribution, whose mixing proportions depend on the position. Using a piecewise constant structure for those mixing proportions, we are able to construct a penalized maximum likelihood procedure that estimates the optimal partition as well as all the other parameters, including the number of classes. We provide a theoretical guarantee for this estimation, even when the generating model is not within the tested set, and describe an efficient implementation. Finally, we conduct some numerical experiments of unsupervised segmentation from a real dataset.