Le but de la classification non supervisée est de partitionner les données en classes ou clusters d'objets relativement similaires. Dans ce contexte, l'estimation du nombre de clusters est une question centrale. L'algorithme de clustering spectral est une méthode récente pour détecter de tels clusters. Il est basé sur la décomposition spectrale d'une certaine matrice de similarité. L'étude des valeurs propres de cette matrice de similarité fournit une méthode prometteuse pour estimer le nombre de clusters. Nous présenterons des illustrations numériques sur différentes données simulées. % Nous utilisons la définition d'un cluster due à Hartigan (1975), qui repose sur les ensembles de niveau de la densité. Nous commençons donc par ôter les points de l'échantillon où la densité estimée est faible, et qui gènent la détection des clusters.