Les cellules de lieu de l’hippocampe sont des neurones aux propriétés intrigantes, commele fait que leur activité soit corrélée à la position spatiale de l’animal. Il est généralementconsidéré que ces propriétés peuvent être expliquées en grande partie par les comporte-ments collectifs de modèles schématiques de neurones en interaction. La physique statis-tique fournit des outils permettant l’étude analytique et numérique de ces comportementscollectifs.Nous abordons ici le problème de l’utilisation de ces outils dans le cadre du paradigmedu “réseau attracteur”, une hypothèse théorique sur la nature de la mémoire. La questionest de savoir comment ces méthodes et ce cadre théorique peuvent aider à comprendrel’activité des cellules de lieu. Dans un premier temps, nous proposons un modèle de cellulesde lieu dans lequel la localisation spatiale de l’activité neuronale est le résultat d’unedynamique d’attracteur. Plusieurs aspects des propriétés collectives de ce modèle sontétudiés. La simplicité du modèle permet de les comprendre en profondeur. Le diagrammede phase du modèle est calculé et discuté en comparaison avec des travaux précedents.Du point de vue dynamique, l’évolution du système présente des motifs particulièrementriches. La seconde partie de cette thèse est à propos du décodage de l’activité des cellulesde lieu. Nous nous demandons quelle est l’implication de l’hypothèse des attracteurs surce problème. Nous comparons plusieurs méthodes de décodage et leurs résultats sur letraitement de données expérimentales. / Place cells in the hippocampus are neurons with interesting properties such as the corre-lation between their activity and the animal’s position in space. It is believed that theseproperties can be for the most part understood by collective behaviours of models of inter-acting simplified neurons. Statistical mechanics provides tools permitting to study thesecollective behaviours, both analytically and numerically.Here, we address how these tools can be used to understand place-cell activity withinthe attractor neural network paradigm, a theory for memory. We first propose a modelfor place cells in which the formation of a localized bump of activity is accounted for byattractor dynamics. Several aspects of the collective properties of this model are studied.Thanks to the simplicity of the model, they can be understood in great detail. The phasediagram of the model is computed and discussed in relation with previous works on at-tractor neural networks. The dynamical evolution of the system displays particularly richpatterns. The second part of this thesis deals with decoding place-cell activity, and theimplications of the attractor hypothesis on this problem. We compare several decodingmethods and their results on the processing of experimental recordings of place cells in afreely behaving rat.