Dans cet article, nous proposons un nouveau mode de segmentation fondé sur une modélisation statistique markovienne floue multispectrale. La segmentation étant non supervisée, nous nous intéressons à l'estimation des hyper-paramètres en combinant un algorithme du gradient stochastique avec les moments empiriques, en supposant que les lois d'attache aux données sont gaussiennes. Sous l'hypothèse de corrélation des champs observés, nous établissons les relations qui relient les matrices de variances-covariances relatives aux sites flous avec celles qui caractérisent les sites durs ou homogènes de l'image. Nous comparons les résultats des segmentations mettant en jeu le critère du MPM (Mode des Marginales a Posteriori) et la technique ICM (Mode Conditionnel Itératif) correspondant au critère du MAP (Maximum a Posteriori). Dans un premier temps, nous validons la procédure sur des images de synthèse, puis sur des données astronomiques multispectrales....