Cette thèse porte sur la méthode de Monte-Carlo ainsi que sur des applications de cette méthode à la physique statistique. La première partie concerne l'étude de la transition de phase liquide-solide à deux dimensions. La nature de cette transition est un problème de la physique statistique qui a longtemps été débattu, et en particulier pour le modèle fondamental des disques durs. Dans le but de traiter ce problème, nous avons développé l'algorithme de Monte-Carlo dit ''event-chain''. Notre analyse numérique montre que la transition se déroule en deux étapes: en augmentant la densité, le système passe de manière discontinue d'une phase liquide à une phase dite hexatique, puis de manière continue à une phase solide par une transition de type Kosterlitz-Thouless. Ces résultats posent une nouvelle base théorique aux expériences sur les solides bidimensionnels. La deuxième partie concerne les algorithmes d'échantillonage parfait utilisant la méthode ''Coupling from the past''. Ces algorithmes de Monte-Carlo permettent d'échantillonner des systèmes selon la distribution exacte désirée, ce qui supprime le problème de la connaissance du temps de thermalisation d'une chaîne de Markov. Cette méthode s'est avérée inefficace pour des systèmes physiques où elle serait utile: les verres de spins à basse température, ou les sphères dures à haute densité par exemple. Nous avons étudié différents algorithmes exacts pour ces systèmes. Les résultats obtenus montrent que cette limitation est due aux transitions vers le chaos des chaînes de Markov, ces transitions étant d'origine dynamique et non thermodynamique.