Les modèles de classification recouvrante ont montré leur capacité à générer une organisation plus fidèle aux données tout en conservant la simplification attendue par une structuration en classes strictes. Par ailleurs les modèles neuronaux non-supervisés sont plébiscités lorsqu'il s'agit de visualiser la structure de classes. Nous proposons dans cette étude d'étendre les cartes auto-organisatrices traditionnelles aux cartes auto-organisatrices recouvrantes. Nous montrons que cette nouvelle structure apporte des solutions à certaines problématiques spécifiques en classification recouvrante (nombre de classes, complexité, cohérence des recouvrements). L'algorithme OSOM s'inspire de la version recouvrante des nuées dynamiques et de l'approche de Kohonen pour générer de telles cartes recouvrantes. Nous discutons du modèle proposé d'un point de vue théorique (fonction d'énergie associée, complexité, ...). Enfin nous présentons un cadre d'évaluation générale que nous utilisons pour valider les résultats obtenus sur des données réelles.