La classification automatique est un processus non supervisé qui vise à regrouper des données en un ensemble de classes hétérogènes. En outre, Différents travaux ont montré que l'intégration de contraintes peut augmenter le taux de ce processus de classification tout en diminuant le temps d'exécution. Cette nouvelle démarche a connu, ces dernières années, un travail bien étendu. La forme la plus répandue de ces dites contraintes est de type « Must-Link » dont le nom indique l'obligation d'avoir les données dans une même classe, et les contraintes « Cannot-Link » dont le nom indique l'interdiction d'avoir les données dans une même classe. Le travail présenté dans cet article décrit une nouvelle version des cartes topologiques que nous appelons « PrTM » (Probabilistic constrained Topological Map) pour intégrer des contraintes probabilistes. PrTM représente une variante d'un algorithme populaire des cartes topologiques probabilistes GTM (Generative Topographic Mapping). Pour valider notre approche, des comparaisons entre notre proposition « PrTM » et d'autres algorithmes de classification sous contraintes, sont présentées sur différentes bases de données issues de la littérature.