Avec l'urbanisation croissante et la complexité des infrastructures modernes, la reconnaissance d'objet complexe dans les images satellitaires à haute résolution spatiale représente un défi majeur, notamment en milieu urbain. Les méthodes basées sur l'apprentissage profond, bien que puissantes, nécessitent souvent de grands jeux de données annotées et peinent à modéliser les relations spatiales et contextuelles complexes entre les objets urbains. Cet article propose une approche hybride en deux niveaux qui associe des ontologies évolutives aux problèmes de satisfaction de contraintes (CSP) pour modéliser des objets complexes, tout en améliorant l'efficacité de leur résolution grâce à une méthode combinant FAC-3, le backjumping et l'optimisation par essaims de particules (PSO). L'objectif principal est d'améliorer la reconnaissance d'objets complexes en modélisant simultanément les relations spatiales et sémantiques tout en optimisant l'exploration des solutions possibles. Les CSPs capturent les contraintes spatiales, FAC-3 réduit l'espace de recherche, et PSO évite les minima locaux, améliorant ainsi l'efficacité globale de la recherche. La formalisation de l'ontologie, des CSPs et leur traduction en règles SWRL, ainsi que leur utilisation, sont détaillée. Enfin, une application illustrative de la reconnaissance d'objets urbains complexes est présentée.