Les données symboliques permettent de mieux représenter les mesures issues des applications réelles, fournissant ainsi un niveau de connaissance plus élevé qu'avec une représentation en valeurs simples. Les données de type intervalle font partie des données symboliques. Elles sont utilisées pour représenter, selon le cas, la variabilité ou l'incertitude dans les mesures. Dans cet article, nous proposons un algorithme pour l'apprentissage des cartes auto-organisatrices en mode différé (batch) dans le but de classifier des données de type intervalle tout en préservant leur topologie. L'apprentissage de la carte se fait en optimisant un critère basé sur la distance city-block. La méthode proposée est testée et comparée à d'autres méthodes de classification de données intervalles en utilisant deux jeux de données de type intervalle réelles.