Ce travail propose une architecture de classification issue des techniques de l'apprentissage profond et en particulier des réseaux neuronaux convolutifs et récurrents pour la classification de navires dans des images SAR. Plus particulièrement, il s'agit de classifier des navires par apprentissage supervisé à partir d'une base d'images SAR préalablement étiquetées. Il s'avère que l'un des principaux obstacles à l'utilisation de l'apprentissage profond est la nécessité d'avoir un très grand nombre de données annotées qui ne sont pas toujours disponibles. L'objectif de cette étude est donc de proposer une architecture hybride spécifique : CNN-LSTM (Convolutional Neural Networks-Long Short-Term Memory) permettant d'exploiter des ensembles de données frugales (peu nombreuses) et relativement déséquilibrés. Afin de comprendre l'intérêt de ce type de méthode, nous proposons de la comparer à des algorithmes d'apprentissage profond fréquemment décrits dans la littérature.