Les radars à pénétration de sol (GPR) sont maintenant largement utilisés pour la détection d'objets enterrés dans des domaines tels que la géologie, l'archéologie et le génie civil. Il présente l'avantage de permettre une détection par une technique non-destructive. Le principe du GPR temporel consiste à émettre des impulsions dans le sol, celles-ci sont ensuite réfléchies par les cibles à détecter. La formation d'une image à partir des différentes traces (Ascan) mesurées pour différentes positions du radar est appelée Bscan dans le cas d'un déplacement rectiligne. Ils présentent des formes de réponse de type hyperbolique et leur analyse donne de nombreuses caractéristiques. Par exemple, dans le cas de canalisations enterrées, un traitement spécifique permet de retrouver le diamètre de ces canalisations, leur nature ainsi que les caractéristiques du sol. Cependant, ces approches nécessitent souvent un post-traitement complexe du Bscan, qui peut être long et rend donc difficile la réalisation d'une caractérisation en temps réel. Avec l'émergence des réseaux de neurones profonds et avec une phase d'apprentissage sur un grand nombre de Bscan, il devient possible d'extraire quasi instantanément les caractéristiques des données radar GPR. Dans cette étude, un modèle de classification multi-label (MLC) basé sur l'apprentissage par transfert et l'augmentation des données a été développé pour générer plusieurs éléments d'information sur une même image et réaliser une classification. Trois modèles d'apprentissage profond : VGG-16, ResNet-50 et CNN adapté ont été utilisés comme modèles pré-entraînés pour l'apprentissage par transfert. Les réseaux ont été entraînés sur le jeu de données créé dans cette étude et évalués sur un ensemble de mesures de performance.