Cette these explore deux axes de recherche pour l'analyse non-supervisee d'Images HyperSpectrales (HSIs). Sous l'hypothese du modele de melange lineaire de spectres, nous abordons d'abord la problematique du demixage par Factorisation en Matrices Non-negatives (NMF). D'une part, nous proposons de regulariser le probleme en integrant de l'information a priori spectrale et spatiale judicieuse, specifique aux HSIs. D'autre part, nous proposons un estimateur du pas optimal pour la descente de gradient projete. Nous montrons ainsi que, correctement regularisee, la NMF est un outil pertinent pour le demixage d'HSIs. Puis, nous explorons la problematique de la detection d'anomalies. Nous proposons un algorithme de Poursuite de Composantes Anormales (PCA), base simultanement sur la poursuite de projections et sur un modele probabiliste avec test d'hypotheses statistiques. Ainsi, la PCA detecte les anomalies a taux de fausse alarme constant et les discrimine en classes spectralement homogenes."