Les données spatiales à haute résolution, ainsi que les capacités de traitement sont et seront de plus en plus accessibles aux différents utilisateurs. Face à cette abondance d'informations, nous proposons de concentrer les efforts sur l'identification d'objets pertinents, tant au niveau thématique qu'informatique. L'objectif est d'automatiser l'extraction d'objets chargés de sens thématiques. Cette démarche a été testée pour la distinction de types de vergers et de taillis de châtaigniers sur une photographie aérienne en infrarouge couleur de l'IFN (Inventaire forestier national). Une typologie de châtaigneraies regroupant cinq classes est construite dans l'objectif de relier formes et pratiques agricoles. Les objets se distinguent, non seulement par leur couleur, mais aussi par l'arrangement spatial de leurs constituants (les houppiers de châtaigniers). Nous avons retenu le module CLAPAS (Classement de paysages et segmentation) : le processus de classification tient compte du voisinage des points ce qui permet de différencier les types de même couleur mais de texture différente. Les classes de référence sont choisies sur l'image à l'aide de connaissances de terrain (classification assistée). L'analyse montre que, malgré des confusions entre types dans certaines zones, les sorties générées par la procédure correspondent bien aux relevés de terrain. / High resolution spatial data are bound to be more and more reachable for all users. Facing so many data, we propose to define pertinent object, both on thematic and methodological levels. The aim is to automate the extraction of objects that are suitable for research and management. This process is used to distinguish classes of chestnut tree orchards and copses with infrared aerial photos of IFN. A chestnut tree classification is elaborated so as to associate shapes with agricultural practices. Not only do objects differ in colour but also in component (chestnut tree crowns) spatial distribution. CLAPAS is selected: the classification integrates points proximity which allows to distinguish classes with the same colour but differing in texture. Reference classes are chosen on the image thanks to vegetation observation (assisted classification). The analysis shows that, in spite of confusions, output fit with sites checking.