Un des challenges en neurosciences consiste à trouver une bonne adéquation entre le comportement et l'activité neuronale stimulée, le but à long terme étant d'obtenir un modèle prédictif. Les travaux ré- cents dans le domaine comportemental ont montré la mise en place d'outils d'analyses comme ceux utilisés en physique non linéaire, qui permettent une meilleure comparaison avec les modèles neu- ronaux. Nous montrons dans cette thèse que les processus neuraux et comportementales peuvent être visualisés sous forme de motifs, voire de structures dans un sous espace à multiple degrés de liberté, sous forme de trajectoires dans l'espace des phases afin de montrer la dynamique non linéaire émergeante. Nous présentons aussi deux exemples , l'un est le taux de pics d'activité et leur comportement temporel qui permet de générer une base des états dynamiques de l'ensemble du cerveau, l'autre montre comment identifier les mo- tifs ou sous réseaux actifs en présence de synchronisation à longue distance. Ces travaux montrent comment modéliser l'activité cor- ticocorticale afin de contribuer à l'état de référence du cerveau. A partir de l'activité neuronale simulée nous sommes donc en mesure d'identifier les motifs et sous réseaux mis en jeu et prévoir l'activité à court terme qui peut être observée ainsi que leurs implications futurs. / A persistent question in the neurosciences asks what aspects of behavior correspond to neural activity. This means finding predictors of behavioral state from neural state, yet behavioral studies have shown that behaviors are structured state and time and may be described mathematically by nonlinear dynamical systems. Another similarity found between behavior and neurosciences is the coordination of many degrees of freedom. Given these two similarities, this thesis suggests that neural and behavioral processes involve 1) the task specific formation of patterns that bind or coordinate degrees of freedom such that only a few degrees of freedom remain and 2) the structured, nonlinear dynamical interaction of these degrees of freedom, tracing out trajectories in state space that may correspond to the completion of a task or recognition of visual stimulus. The combination of these two complementary aspects will be referred to structured flows on manifolds. This thesis provides two examples of how such structure can be found in neural network models both at the level of spiking neural circuits, as well as large-scale inter-regional networks in a whole brain model. We discuss the two contributions in terms of the common principles of pattern formation and structured nonlinear dynamical interactions and how these principles allow for a link to made between the dynamics of behaviors and dynamics of underlying neural networks, and in conclusion, we outline experimental predictions and future work motivated by this thesis.