Le déplacement collectif est l'un des phénomènes les plus remarquables de la nature. Il a été observé pour de nombreuses espèces animales, comme les essaims de bactéries, l'agrégation des fourmis, les bancs de poissons, les nuées d'oiseaux ou encore les foules d'humains. Ces comportements collectifs d'animaux ne sont pas seulement des scènes spectaculaires mais sont aussi une source d'intérêt pour explorer les mécanismes sous-jacents dans le but de comprendre les lois et l'évolution des groups biologiques ou même de nous aider à élaborer des essaims auto-organisés de robots.Nous avons étudié différents systèmes de déplacements collectifs, incluant des systèmes avec une seule espèce, comme les bancs de poissons et les foules d'humains et d'autres à plusieurs espèces, comme les systèmes de fuite et poursuite en groupe. Parmi lesquels, nous nous concentrons sur les mécanismes et les rôles du traitement de l'information sur les motifs macroscopiques. De plus, pour palier à la difficulté d'extraire des trajectoires depuis des vidéos expérimentales de qualité médiocre, nous proposons un outil rapide et robuste de suivi du déplacement. Notre contenu de recherche détaillé est le suivant : 1. Nous avons étudié les mécanismes de traitement de l'information dans les déplacements du Nez-rouge dans un dispositive annulaire. Pour la première fois, nous avons définis un comportement particulier aux bancs de poissons : des évènements de demi-tour. En introduisant un délai entre l'interaction entre les poissons, nous avons trouvé qu'à un poisson d'intérêt correspondent seulement un ou deux poissons qui ne sont pas nécessairement les plus proches. De plus, nous avons montré que l'information de tourner pendant un évènement de demi-tour collectif se propage comme des dominos. Enfin, nous avons utilisé le transfert d'entropie pour quantifier les flux d'information dans l'espace et le temps durant les évènements de demi-tour. 2. Nous avons étudié le rôle d'une perturbation dans un système de foule humaine en plaçant des obstacles (les perturbations) dans un flux de fuite de panique. Nous avons trouvé une façon simple et efficace d'augmenter le flux de fuite dans le but de sauver plus de vies dans des situations dangereuses. Nous avons appliqué des algorithmes génétiques pour optimiser l'agencement des piliers dans les simulations puis nous avons testé la qualité de ces résultats contre des expériences avec de vrais humains. Les résultats suggèrent que placer deux piliers le long des deux côtés d'une sortie peut maximiser la vitesse de sortie. 3. Nous avons étudié le rôle des mécanismes de traitement de l'information dans les déplacements collectifs multi-espèces en introduisant différentes strategies pour les proies dans un modèle de poursuite en groupe. Nous proposons trois stratégies d'agrégation : se déplacer vers le centre de masse de toutes les proies (MC), se déplacer vers la proie la plus proche (NN) et minimiser la distance totale entre toutes les proies (MD). Les résultats montrent que l'agrégation augmente grandement la durée de survie du groupe, et ceci même en autorisant les proies à être immortelles. Il y a une transition de phase de t (la durée de survie moyenne) en fonction de M (le nombre de prédateurs). 4. Nous avons développé un nouvel outil de suivi de déplacement pour améliorer les algorithmes de reconnaissance d'image et de suivi actuels afin d'extraire des trajectoires depuis des vidéos de qualité médiocre. Notre outil intègre un filtre de moyenne glissante, la soustraction du bruit de fond, des réseaux de neurones artificiels, du partitionnement en k-moyennes et une fonction d'erreur définie minutieusement. L'outil peut extraire une trajectoire depuis une video de basse qualité qui ne peut être fait que très difficilement par d'autres outils. Il peut suivre plusieurs animaux comme des poissons, des drosophiles, des fourmis, etc. Les performances de notre outil sont meilleures que idTracker et Ctrax. / Collective motion is one of the most striking phenomena in nature. It has been observed in a lot of animal species, such as bacteria, ants, fish, flocks of birds and crowds of human. These collective animal behaviors not only show us spectacular scenes, but also attract us to explore the underlying mechanisms in order to understand the laws and evolution of biological groups and even help us design smarter self-organizing robots. We study different collective motion systems including single species systems such as fish school and human crowd; and multi-species group chase and escape system. Among which, we focus on the mechanisms and roles of information processing on macro patterns. Moreover, regarding to the fact that it's very difficult to extract trajectory data from low quality experiment videos, we propose a fast and robust tracking tool. Details are as follows: 1. We study the mechanisms of information processing in the movements of Hemigrammus rhodostomus in a ring-shaped tank. For the first time, we define a special behavior of fish school: U-turn event. By introducing time delay between fish interaction, we find that a focal fish usually corresponds to only 1 or 2 fish which is not necessarily the nearest one. Moreover, we find the turning information during a group U-turn event propagates like domino. In addition, we use transfer entropy to quantify dynamic information flows in space and time across the U-turn events. 2. We study the role of perturbation information in human crowd system by introducing obstacles as perturbation information into a panic escaping flow. We find a useful and simple way to increase the panic flow in order to save more lives under dangerous situation. We apply genetic algorithms to optimize the layout of pillars in the simulations and then test the results with real human experiments. Results show that putting two pillars along the two sides of the exit can maximize the escape velocity. In the end, a tangential momentum theory is proposed to explain the role of the perturbation information. 3. We study the role of information processing mechanisms in multi-species collective motion by introducing different strateg?ies for the prey in a group chase model. We propose three aggregation strategies: moving to mass center of all preys, moving to the nearest prey and minimising the total distance to all preys. Results show that aggregation increase the group survival time greatly, even allowing immortal prey. There is a phase transition of t (average survival time) against M (number of predator). 4. We developed a new tracking tool to improve the current image recognizing and video tracking algorithms so as to extract trajectories from low quality videos. Our tool integrates mean-value filter, background substraction, artificial neural network, K-means clustering and a well defined cost function. It can track low quality videos which can be hardly tracked by other tools. And it can track different animals such as fish, drosophila, ants and so on. The overall tracking performance is better than idTracker and Ctrax.