Dans cet article, nous proposons une nouvelle méthode d?apprentissage actif sur des bases d?images satellites permettant d?incorporer l?information a priori contenue dans les données ("donnée" fait référence ici aux paramètres de texture, couleur, forme... extraits des images). Plus précisément, nous utilisons la connaissance d?une distribution a priori sur les données, dans notre cas un mélange de Gaussiennes, pour guider l?apprentissage d?un classifieur SVM. Un algorithme d?apprentissage actif qui reprend cette idée est d?abord décrit. Les performances de l?algorithme ainsi obtenu sont ensuite comparées en terme de vitesse d?apprentissage et de capacité à gérer de gros volumes de données à une approche classique utilisant un classifieur SVM qui n?exploite pas la structure a priori des données. Les tests sont réalisés sur une base d?images satellites haute résolution QuickBird.