Nous présentons dans cet article une méthode de combinaison de descripteurs pour la reconnaissance de symboles, qui permet d'améliorer significativement le taux de reconnaissance, par rapport aux taux obtenus par chaque descripteur pris individuellement. Pour ce faire, nous proposons une exploitation originale de la théorie des modèles graphiques : nous définissons un classifieur utilisant un modèle de mixtures de gaussiennes, représenté par un simple modèle graphique. Les modèles graphiques sont un mode de représentation simple et intuitif des modèles de mixtures de gaussiennes. L'apprentissage du modèle se fait à l'aide de l'algorithme EM et à partir d'un échantillon d'apprentissage. Cet échantillon est un ensemble d'images étiquetées, chacune d'elle étant représentée par un ensemble de caractéristiques, issues d'un ou plusieurs descripteurs. Une fois le modèle appris, la règle de décision est la suivante : on affecte une nouvelle image à la classe pour laquelle la probabilité d'une classe étant donné l'ensemble des caractéristiques de cette image est maximale. Les caractéristiques de chaque image requête sont bien sûr calculées de la même façon que pour les images étiquetées. Quant à la probabilité conditionnelle de chaque classe, elle est calculée grâce au moteur d'arbre de jonction, qui est à la base de tous les algorithmes d'inférence exacts pour les modèles graphiques. Les résultats préliminaires sont prometteurs. En effet, ils ont montré qu'en utilisant plusieurs descripteurs au sein d'un même modèle, nous améliorons de façon significative le taux de reconnaissance.