Ce travail s'inscrit dans la perspective de l'enrichissement des bases de données d'occupation du sol. La description de l'occupation du sol permet de produire des indicateurs environnementaux pour la gestion des écosystèmes et des territoires, en réponse à des besoins sociétaux, réglementaires et scientifiques. Aussi, des bases de données décrivant l'occupation du sol existent à différents niveaux (local, national, européen) ou sont en cours de constitution. Il est toutefois apparu que la connaissance de l'occupation du sol nécessaire pour certaines applications de modélisation de la ville (simulateurs de micro-météorologie, d'hydrologie, ou de suivi de pollutions), voire de suivi réglementaire (imperméabilisation des sols) est plus fine (au niveau sémantique et géométrique) que ce que contiennent ces bases de données. Des cartes de matériaux sont donc nécessaires pour certaines applications. Elles pourraient constituer une couche supplémentaire, à la fois dans des bases de données sur l'occupation du sol (comme l'occupation du sol à grande échelle de l'IGN) et dans des maquettes urbaines 3D.Aucune base de données existante ne contenant cette information, la télédétection apparaît comme la seule solution pour la produire. Néanmoins, du fait de la forte hétérogénéité des matériaux, de leur variabilité, mais aussi des fortes ressemblances entre classes distinctes, il apparaît que les capteurs optiques multispectraux classiques (limités aux 4 canaux rouge - vert - bleu - proche infrarouge) sont insuffisants pour bien discriminer des matériaux. Un capteur dit superspectral, c'est-à-dire plus riche spectralement, pourrait apporter une solution à cette limite. Ce travail s'est donc positionné dans l'optique de la conception d'un tel capteur et a consisté à identifier la meilleure configuration spectrale pour la classification des matériaux urbains, ou du moins à proposer des solutions s'en approchant. Un travail d'optimisation spectrale a donc été réalisé afin d'optimiser à la fois la position des bandes dans le spectre ainsi que leur largeur. Le travail s'est déroulé en deux temps. Une première tâche a consisté à définir et préciser les méthodes d'optimisation de bandes, et à les valider sur des jeux de données de référence de la littérature. Deux heuristiques d'optimisation classiques (l'une incrémentale, l'autre stochastique) ont été choisies du fait de leur généricité et de leur flexibilité, et donc de leur capacité à être utilisées pour différents critères de sélection d'attributs. Une comparaison de différentes mesures de la pertinence d'un jeu de bandes a été effectuée afin de définir le score à optimiser lors du processus de sélection de bandes. L'optimisation de la largeur des bandes a ensuite été étudiée : la méthode proposée consiste à préalablement construire une hiérarchie de bandes fusionnées en fonction de leur similarité, le processus de sélection de bandes se déroulant ensuite au sein de cette hiérarchie. La seconde partie du travail a consisté en l'application de ces algorithmes d'optimisation spectrale au cas d'étude des matériaux urbains. Une collection de spectres de matériaux urbains a d'abord été réunie à partir de différentes librairies spectrales (ASTER, MEMOIRES, ...). L'optimisation spectrale a ensuite été menée à partir de ce jeu de données. Il est apparu qu'un nombre limité de bandes bien choisies suffisait pour discriminer 9 classes de matériaux communs (ardoise - asphalte - ciment - gravier - métal - pavés en pierre - shingle - terre – tuile). L'apport de bandes issues du domaine de l'infrarouge onde courte (1400 - 2500 nm) pour la discrimination des matériaux a également été vérifiée. La portée des résultats chiffrés obtenus en terme de confusions entre les matériaux reste toutefois à nuancer du fait de la très faible représentation de certains matériaux dans la librairie de spectres collectés, ne couvrant donc pas la totalité de leur variabilité / This work was performed in the context of a possible enrichment of land cover databases. The description of land cover is necessary it possible to produce environmental indicators for the management of ecosystems and territories, in response to various societal and scientific needs. Thus, different land cover databases already exist at various levels (global, European, national, regional or local) or are currently being produced. However, it appeared that knowledge about land cover should more detailled in urban areas, since it is required by several city modeling applications (micro-meteorological, hydrological, or pollution monitoring simulators), or public regulations monitoring (e.g. concerning ground perviousness). Such materials maps would be (both semantically and spatially) finer than what is contained in existing land cover databases. Therefore, they could be an additional layer, both in land cover databases (such as in IGN High Resolution land cover database) and in 3D city models. No existing database contains such information about urban material maps. Thus remote sensing is the only solution to produce it. However, due to the high heterogeneity of urban materials, their variability, but also the strong similarities between different material classes, usual optical multispectral sensors (with only the 4 red - green - blue - near infrared bands) are not sufficient to reach a good discrimination of materials. A multispectral sensor or superspectral, that is to say spectrally richer, could therefore provide a solution to this limit. Thus, this work was performed intending the design of such sensor. It aimed at identifying the best spectral configuration for classification of urban materials, or at least to propose sub-optimal solutions. In other words, a spectral optimization was carried out in order to optimize both the position of the bands in the spectrum and their width. Automatic feature selection methods were used. This work was performed in two steps. A first task aimed at defining the spectral optimization methods and at validating them on literature reference data sets. Two state-of-the-art optimization heuristics (Sequential Forward Floating Search and genetic algorithms) were chosen owing to their genericity and flexibility, and therefore their ability to be used to optimize different feature selection criteria. A benchmark of different scores measuring the relevance of a set of features was performed to decide which score to optimize during the band selection process. Band width optimization was then studied: the proposed method consisted in building a hierarchy of bands merged according to their similarities. Band selection was then processed within this hierarchy. The second part of the work consisted in the application of these spectral optimization algorithms to the case study of urban materials. A collection of urban materials spectra was first caught and from various spectral libraries ( ASTER , MEMORIES...). Spectral optimization was then performed on this dataset. A limited number (about 10) of well chosen bands appeared to be sufficient to classify next common materials (slates - asphalt - cement - gravel - metal - cobblestones - shingle - earth – tiles). Bands from short wave infrared spectral domain (1400 - 2500 nm) were shown again to be very useful to discriminate urban materials. However, quantitative results assessing the confusions between the materials must be considered carefully since some materials are very uncommon in the library of collected spectra, and thus their possible variability is not completely considered