L’expression faciale est un vecteur de communication important dans l’expérience de douleur. Cependant, les corrélats neuronaux associés à cette manifestation de la douleur demeurent peu investigués. Le but de ce mémoire était de développer un modèle neurobiologique permettant de prédire l’expression faciale évoquée par des stimuli douloureux afin d’approfondir nos connaissances sur les mécanismes cérébraux de la douleur et de la communication non verbale. La signature cérébrale de l’expression faciale de la douleur a été élaborée sur un jeu de données d’IRMf acquis chez des adultes en santé en utilisant des algorithmes d’apprentissage machine pour prédire des scores d’expression faciale évoquée par des stimulations douloureuses phasiques (c.-à-d. de courtes stimulations) à l’échelle de la population. Les résultats suggèrent qu’il est possible de prédire ces réponses faciales à partir d’un patron d’activation multivoxels. Cette signature cérébrale se distingue, du moins partiellement, de signatures cérébrales prédictives de l’intensité et du caractère déplaisant de la douleur rapportée et de la valeur future de la douleur. Bien que d’autres études soient nécessaires pour examiner la spécificité et la généralisabilité de la signature cérébrale de l’expression faciale de la douleur, ce mémoire souligne l’existence d’une représentation cérébrale spatialement distribuée prédictive des réponses faciales en lien avec la douleur, et suggère l’importance de cette mesure comportementale dans l’expérience de la douleur comme étant complémentaire aux mesures autorapportées de l’intensité perçue. / Facial expression is an important communication vector in the experience of pain. However, the neural correlates associated with this manifestation of pain remain relatively unexplored. The goal of this thesis was to develop a neurobiological model to predict facial expression evoked by painful stimuli in order to expand our knowledge of the brain mechanisms of pain and non-verbal communication. The brain signature of facial expressions of pain was developed on a dataset including healthy adults using machine learning algorithms to predict facial expression scores evoked by phasic painful stimuli (i.e., short stimulation) at the population level. The results suggest that it is possible to predict the facial expression of pain from a multivoxel activation pattern. This brain signature of facial pain expression is at least partially distinct from other brain signatures predictive of reported pain intensity and unpleasantness, and future pain value. Although further studies are needed to examine the specificity and generalizability of the brain signature of facial expression of pain, this master thesis highlights the existence of a spatially distributed brain representation predictive of pain-related facial responses, and suggests the importance of this behavioural measure in the experience of pain as complementary to self-reported measures of pain intensity.