Un modèle statistique pour détecter des changements dans les images de télédétection a récemment été proposé dans (Prendes et al., 2014, 2015). Ce modèle est suffisamment général pour être utilisé pour les images homogènes acquises par le même genre de capteurs (par exemple, deux images optiques des satellites Pléiades, éventuellement avec des conditions d'acquisition différent), et pour les images hétérogènes acquises par différents cap-teurs (par exemple, une image optique acquis d'un satellite Pléiades et une image radar à synthèse d'ouverture (SAR) acquise d'un satellite TerraSAR-X). Ce modèle suppose que chaque pixel est distribué selon une densité mélange suivant les propriétés de bruit et les réponses d'intensité du détecteur à la scène réelle. Les paramètres du modèle statistique résultant peuvent être estimés en utilisant l'algorithme espérance-maximisation (EM) classique. Les paramètres estimés sont finalement utilisés pour apprendre les relations entre les images d'intérêt, en utilisant une stratégie d'apprentissage de varieté. Ces relations sont pertinents pour de nombreuses applications de traitement d'image, en particulier ceux qui nécessitent une mesure de similarité (par exemple, la détection de changement d'image et l'enregistrement de l'image). L'objectif principal de cette étude est d'évaluer la performance d'une méthode de détection de changement basé sur cette stratégie d'apprentissage de varieté initialement introduite dans (Prendes et al., 2014, 2015). Cette performance est éval-uée en utilisant les résultats obtenus avec des paires d'images optiques réelles acquises par des satellites et des paires d'images optiques et SAR Pléiades. Abstract A statistical model for detecting changes in remote sensing images has recently been proposed in (Prendes et al., 2014, 2015). This model is sufficiently general to be used for homogeneous images acquired by the same kind of sensors (e.g., two optical images from Pléiades satellites, possibly with different acquisition conditions), and for heterogeneous images acquired by different sensors (e.g., an optical image acquired from a Pléiades satellite and a synthetic aperture radar (SAR) image acquired from a TerraSAR-X satellite). This model assumes that each pixel is distributed according to a mixture of distributions depending on the noise properties and on the sensor intensity responses to the actual scene. The parameters of the resulting statistical model can be estimated by using the classical expectation-maximization (EM) algorithm. The estimated parameters are finally used to learn the relationships between the images of interest, via a manifold learning strategy. These relationships are relevant for many image processing applications, particularly those requiring a similarity measure (e.g., image change detection and image registration). The main objective of this paper is to evaluate the performance of a change detection method based on this manifold learning strategy initially introduced in (Prendes et al., 2014, 2015). This performance is evaluated by using results obtained with pairs of real optical images acquired from Pléiades satellites and pairs of optical and SAR images.