La navigation spatiale est une fonction complexe qui nécessite de combiner des informations sur l’environnement et notre mouvement propre pour construire une représentation du monde et trouver le chemin le plus direct vers notre but. Cette intégration multimodale suggère qu’un large réseau de structures corticales et sous-corticales interagit avec l’hippocampe, structure clé de la navigation. Je me suis concentrée chez la souris sur la navigation de type séquence (ou stratégie égocentrique séquentielle) qui repose sur l’organisation temporelle de mouvements associés à des points de choix spatialement distincts. Après avoir montré que l’apprentissage de cette navigation de type séquence nécessitait l’hippocampe et le striatum dorso-médian, nous avons caractérisé le réseau fonctionnel la sous-tendant en combinant de l’imagerie Fos, de l’analyse de connectivité fonctionnelle et une approche computationnelle. Les réseaux fonctionnels changent au cours de l’apprentissage. Lors de la phase précoce, le réseau impliqué comprend un ensemble de régions cortico-striatales fortement corrélées. L’hippocampe était activé ainsi que des structures impliquées dans le traitement d’informations de mouvement propre (cervelet), dans la manipulation de représentations mentales de l’espace (cortex rétrosplénial, pariétal, entorhinal) et dans la planification de trajectoires dirigées vers un but (boucle cortex préfrontal-ganglions de la base). Le réseau de la phase tardive est caractérisé par l’apparition d’activations coordonnées de l’hippocampe et du cervelet avec le reste du réseau. Parallèlement, nous avons testé si l’intégration de chemin, de l’apprentissage par renforcement basé modèle ou non-basé modèle pouvaient reproduire le comportement des souris. Seul un apprentissage par renforcement non-basé modèle auquel une mémoire rétrospective était ajoutée pouvait reproduire les dynamiques d’apprentissage à l’échelle du groupe ainsi que la variabilité individuelle. Ces résultats suggèrent qu’un modèle d’apprentissage par renforcement suffit à l’apprentissage de la navigation de type séquence et que l’ensemble des structures que cet apprentissage requiert adaptent leurs interactions fonctionnelles au cours de l’apprentissage. / Spatial navigation is a complex function requiring the combination of external and self-motion cues to build a coherent representation of the external world and drive optimal behaviour directed towards a goal. This multimodal integration suggests that a large network of cortical and subcortical structures interacts with the hippocampus, a key structure in navigation. I have studied navigation in mice through this global approach and have focused on one particular type of navigation, which consists in remembering a sequence of turns, named sequence-based navigation or sequential egocentric strategy. This navigation specifically relies on the temporal organization of movements at spatially distinct choice points. We first showed that sequence-based navigation learning required the hippocampus and the dorsomedial striatum. Our aim was to identify the functional network underlying sequence-based navigation using Fos imaging and computational approaches. The functional networks dynamically changed across early and late learning stages. The early stage network was dominated by a highly inter-connected cortico-striatal cluster. The hippocampus was activated alongside structures known to be involved in self-motion processing (cerebellar cortices), in mental representation of space manipulations (retrosplenial, parietal, entorhinal cortices) and in goal-directed path planning (prefrontal-basal ganglia loop). The late stage was characterized by the emergence of correlated activity between the hippocampus, the cerebellum and the cortico-striatal structures. Conjointly, we explored whether path integration, model-based or model-free reinforcement learning algorithms could explain mice’s learning dynamics. Only the model-free system, as long as a retrospective memory component was added to it, was able to reproduce both the group learning dynamics and the individual variability observed in the mice. These results suggest that a unique model-free reinforcement learning algorithm was sufficient to learn sequence-based navigation and that the multiple structures this learning required adapted their functional interactions across learning.