Le regroupement des données à variables matricielles a fait l'objet d'un intérêt croissant dans la littérature, en particulier dans le domaine du regroupement basé sur des modèles. La surparamétrisation pose problème lors de la modélisation de ces données, car la structure tridimensionnelle nécessite l'estimation des covariances des lignes et des colonnes. Afin de réduire le nombre de paramètres libres, nous proposons des modèles de mélange ultramétriques parcimonieux pour les données à variables matricielles. La structure de covariance ultramétrique réduit le nombre de paramètres libres en fusionnant les variables en groupes et en identifiant une hiérarchie imbriquée de ces groupes ; cette structure de covariance a été mise en œuvre avec succès dans le cadre multivarié. Nous utilisons un algorithme de type maximisation conditionnelle de l'espérance pour l'estimation des paramètres. Nous évaluons les modèles proposés sur des études de simulation et des analyses de données réelles, puis les comparons à d'autres modèles de mélange matriciel parcimonieux.