Nous présentons une méthode d'apprentissage profond pour la classification supervisée d'images, intégrant des connaissances sous forme de graphe. A ces fins, nous introduisons une fonction de coût combinant à la fois une mesure traditionnellement utilisée en apprentissage profond (entropie croisée) et une mesure originale qui prend en compte la représentation des nœuds après plongement du graphe de connaissances. Les connaissances ne sont utilisées que pendant la phase d'apprentissage et ne sont pas nécessaires pour l'évaluation d'un exemple en mode test. Les expérimentations sur plusieurs bases d'images démontrent l'amélioration en performances de notre méthode par rapport à l'état de l'art : d'une part en comparaison avec des algorithmes classiques d'appre-tissage profond et d'autre part avec un algorithme très récent basé aussi sur la connaissance issue d'un graphe.