Ce papier décrit une nouvelle approche probabiliste pour la reconnaissance de textures. Une image est décrite à l'aide de descripteurs locaux, ainsi que par des relations spatiales entre ces descripteurs. On peut alors associer une image à un graphe : les noeuds sont les points d'intérêt de l'image correspondant à des régions caractéristiques et les arêtes relient des régions voisines. Ajouter une telle information de voisinage permet d'améliorer les résultats de reconnaissance. Les approches actuelles consistent à modéliser les descripteurs comme des variables indépendantes, puis à rajouter l'information spatiale par le biais de poids, sans modéliser explicitement ces dépendances. Nous proposons d'introduire un modèle statistique rendant compte directement de cette dépendance entre descripteurs, par l'utilisation de champs de Markov cachés. L'estimation des paramètres de tels modèles étant en pratique difficile, nous utilisons des procédures d'estimation récentes basées sur le principe du champ moyen de la physique statistique. Nous illustrons notre méthode sur la reconnaissance d'images uni et multitextures. Les résultats obtenus sont prometteurs.