Dans le domain de l'intelligence artificielle, la performance du cerveau humain trouve son homologue le plus intuitif dans les réseaux de neurones artificielles. Dans ce travail le model des réseaux de neurones utilisé est les cartes auto-organisationnelles de classification. Cette étude porte sur l'évaluation des performances de ce type de cartes auto-organisationnelles supervisées et non-supervisées. Le processus de classification est appliqué à la reconnaissance de bateaux à partir d'une base de données. Cette base de données contient la description de 8 différentes classes de bateaux, définie par 11 paramètres extraits des 2545 images infra-rouges. La construction de la base de données et de l'extraction des paramètres provient du travail de Sklansky et Park [1]. Le comportement des classificateurs avec cartes auto-organisationnelles a été étudié avec l'altération de différents paramètres. La performance des classificateurs évolue avec les changements de dimensions pour la carte auto-organisationnelle, en variât graduellement le nombre d'époques d'entraînement et la variation d'autres paramètres. Le meilleur taux moyen de reconnaissance enregistré avec le classincateur non-supervisé varie entre 0.81 et 0.86. Le taux moyen de reconnaissance du classificateur supervisé est 0.95. Les résultats obtenu ont été comparé avec les résultats d'autre types de classificateurs accomplissant le classement des données provenant de la même base de données. Les résultats obtenu dans ce travail permet d'affirmer que les classificateurs supervisés et non-supervisés avec cartes auto-organisationnelles donnent des résultats satisfeisant