Nous proposons dans cet article une nouvelle approche de classification fondée sur la théorie des fonctions de croyance. Cette méthode repose sur la fusion entre la classification supervisée et la classification non supervisée. En effet, nous sommes face à un problème de manque de données d'apprentissage pour des applications dont les résultats de classification supervisée et non supervisée sont très variables selon les classificateurs employés. Les résultats ainsi obtenus sont par conséquent considérés comme incertains. Notre approche se propose de combiner les résultats des deux types de classification en exploitant leur complémentarité via la théorie des fonctions de croyance. Celle-ci permet de tenir compte de l'aspect d'incertitude et d'imprécision. Après avoir dresser les différentes étapes de notre nouveau schéma de classification, nous détaillons la fusion de classificateurs. Cette nouvelle approche est appliquée sur des données génériques, issues d'une vingtaine de bases de données. Les résultats obtenus ont montré l'efficacité de l'approche proposée.