En raison du nombre croissant d'applications graphiques, la génération de personnages se comportant comme des humains est devenue un sujet de recherche important. Différentes approches ont été proposées, celles combinant les données de capture de mouvement et des méthodes d'apprentissage automatique étant la tendance dominante des dernières années. Malgré les bons résultats obtenus par ces approches, à notre connaissance, il n'existe pas à l'heure actuelle de document de synthèse sur les méthodes basées apprentissage qui présentent le problème de la réutilisation et de la généralisation des données de capture de mouvement. Dans cet article, nous présentons un état de l'art des méthodes les plus couramment utilisées pour la synthèse de mouvements cinématiques du corps complet. Nous présentons les principes et les idées sous-jacentes à chacune d'elles, ainsi que le type de représentation et les étapes de pré-traitement appliqué sur les données de capture de mouvement avant apprentissage. Due to the increasing number of graphical applications, the generation of human lifelike characters has become an important research topic. Different approaches have been proposed, the combination of motion capture data and machine learning methods being the dominant trend in the last years. Despite the good results produced by these approaches, to our knowledge there does not exist a document surveying the learning-based methods that intend to solve the problem of re-using and generalizing motion capture data. In this article, we present a state-of-the-art of the most recurrent methods used for the synthesis of whole-body kinematic motions. We present the principles and ideas behind each one of them, as well as the type of representations and pre-processing steps applied over motion capture data before learning. Mots clé : animation basée données, apprentissage artificiel, synthèse du mouvement humain.