Dans cet exposé on propose d'étudier différents modèles aléatoires pouvant être utilisés pour la synthèse de textures par l'exemple : partant d'une image originale de textures, on cherche à produire une image (de taille arbitrairement grande) ayant le même aspect textural que l'entrée tout en étant la plus innovante possible. En termes mathématiques, ceci revient à chercher un champ aléatoire stationnaire de maximum d'entropie qui respecte un certain nombre de contraintes statistiques liées à la perception de textures. Le modèle gaussien donne la solution optimale lorsque les statistiques choisies sont les moments d'ordre un et deux. Ce modèle a permis, grâce à ses propriétés théoriques (description spectrale, calcul des distances de transport optimal), de synthétiser efficacement et mélanger des textures peu structurées, appelées microtextures. Dans cet esprit, on montrera que l'approximation par des modèles spot noise permet de synthétiser des microtextures de façon très rapide et parallèle (atteignant la résolution full HD en temps réel). Aussi on verra que la synthèse conditionnelle gaussienne permet de résoudre le problème de la complétion (inpainting) de microtextures. Ensuite, on expliquera comment modifier le modèle gaussien à l'aide de transformations locales de façon à réimposer la distribution empirique locale de l'image d'entrée. Ces transformations locales sont conçues pour résoudre un problème de transport optimal semi-discret dans l'espace des patches (imagettes carrées de taille petite fixée). Cet espace étant de grande dimension, ce problème de transport est résolu par optimisation stochastique. Une fois cette transformation locale calculée, on verra que le modèle resultant permet de synthétiser rapidement des textures plus structurées tout en conservant un contrôle statistique et une garantie d'innovation.