L’objectif de cette thèse est de développer des méthodes de décomposition des signaux électromyographiques (EMG) en signaux élémentaires, les trains de potentiels d’action d’unité motrice (TPAUM). Nous avons proposé deux modèles de génération des signaux et nous avons mis en évidence la propriété de cyclostationnarité et de cyclostationnarité floue de ces deux modèles. Dans l’objectif de la décomposition, nous avons enfin proposé une méthode de décomposition aveugle à partir de signaux EMG multi-capteurs en utilisant cette propriété. Nous présentons les limitations théoriques de la méthode, notamment par un seuil limite de la fréquence de décharge. Nous avons effectué une évaluation des performances de la méthode proposée avec comparaison à une méthode classique de séparation à l’ordre 2.Il a été montré que l’exploitation de la propriété de cyclostationnarité apportait de meilleures performances de séparation dans le cas bruité et non bruité, sur le modèle cyclostationnaire et sur le modèle cyclostationnaire flou. Les performances se trouvent dégradées lorsque la fréquence de décharge dépasse le seuil théorique. Cette évaluation a été réalisée au moyen de simulations de Monte-Carlo construites sur des observations réelles. Enfin, la méthode appliquée sur des données réelles a montré de bons résultats sur des signaux EMG intramusculaires. / The aim of this thesis is to develop decomposition methods of electromyographic (EMG) signals into elementary signals, called motor unit action potential trains (MUAPT). We proposed two signal generation models and we have demonstrated the cyclostationary and fuzzy cyclostationary properties of these. We finally proposed a blind decomposition method from multi-sensor EMG signals using these properties. We present the theoretical limitations of the method, in particular the existence of a limiting threshold of the discharge frequency. We conducted a performance evaluation of the proposed method with a comparison with conventional 2nd order separation method. It has been shown that the contribution of cyclostationarity property brings better performance in noisy and noiseless cases and in the cyclostationary and fuzzy cyclostationary model cases. We highlighted a performance degradation when the discharge frequency was beyond the theoretical threshold. This evaluation was performed via Monte Carlo simulations based on real observations. Finally, we presented real EMG signals results. The method has shown good results on intramuscular EMG signals.