Cet article présente un nouvel algorithme de démélange appliqué aux images hyperspectrales. Chaque pixel de l’image est modélisé par une combinaison linéaire de spectres purs, appelés endmembers, supposés aléatoires. Plus précisément, ces spectres purs suivent des lois normales multivariées de moyennes connues résultant d’un algorithme d’extraction d’endmembers tel que N-FINDR ou VCA. Cet article propose d’estimer les coefficients du mélange ainsi obtenu (appelés abondances) à l’aide d’un algorithme Bayésien hiérarchique. Des lois a priori sont judicieusement choisies pour les abondances afin de respecter les contraintes de positivité et d’additivité tandis qu’une loi a priori conjuguée non informative est adoptée pour la variance des endmembers. La loi a posteriori des paramètres du modèle Bayésien hiérarchique obtenu est trop complexe pour obtenir des expressions simples des estimateurs Bayésiens associés. Nous étudions alors un algorithme de Gibbs hybride permettant de générer des abondances et des variances distribuées suivant leur loi a posteriori. Les performances de la méthode proposée sont évaluées à l’aide de simulations menées à partir d’images synthétiques et d’images réelles.