Avec le développement de systèmes de prise de décision automatisés et optimisés, le partitionnement de grands flux de données, qui ne dépend pas d'échantillons d'apprentissage, attire de plus en plus l'attention. Dans l'état de l'art, la majorité des méthodes de partitionnement de flux de données sont paramétriques, ce qui nécessite la spécification d'un ou plusieurs paramètres définis par l'utilisateur et/ou du nombre de classes avant le processus de partitionnement. En effet, dans les applications pratiques, obtenir des connaissances a priori sur l'ensemble de données et déterminer les valeurs de paramètres optimales à l'avance est un défi. Par conséquent, notre recherche se concentre sur le développement d'une méthode non supervisée et non paramétrique facile à utiliser par les utilisateurs, bénéficiant du fait qu'elle élimine le besoin de connaissances a priori et supprime la nécessité de régler les paramètres de manière empirique. La méthode développée peut estimer de manière autonome le nombre de classes et partitionner le flux de données. Elle est efficace pour partitionner un flux de données de grandes tailles spatiale et spectrale, en particulier les flux de données hyperspectraux. La méthode proposée a été évaluée sur des bases de données réelles et synthétiques. Selon plusieurs critères d'évaluation objectifs, elle surpasse les cinq méthodes de partitionnement de flux de données comparées (trois méthodes paramétriques non supervisées, une méthode semi-supervisée et une méthode supervisée utilisant l'apprentissage actif).