La classification supervisée et le démélange spectral sont parmi les techniques les plus utilisées pour extraire l’information d’images hyperspectrales. Elles abordent cependant ce problème sur des bases différentes et n’ont été que rarement envisagées conjointement. Nous proposons dans ce papier un modèle de cofactorisation de matrices permettant de lier ces approches. Chaque problème est formulé comme un problème de factorisation de matrices puis un terme de couplage est introduit. Ce terme s’interprète comme une étape de partitionnement où les vecteurs d’abondances sont séparés en plusieurs groupes puis les vecteurs d’attribution aux groupes sont utilisés comme vecteurs de descripteurs pour la classification. Le problème global de cofactorisation s’écrit finalement comme un problème d’optimisation non-convexe et non-lisse dont on obtient une solution approchée à l’aide d’un algorithme de minimisation proximale linéarisée alternée (PALM) garantissant la convergence vers un point critique. L’intérêt du modèle est illustré par des expériences menées sur des données semi-synthétiques réalistes.