La diffusion d'innovations est définie comme le processus de communication par lequel une idée, pratique, ou produit perçu comme nouveau se propage dans une population. Une innovation peut être une solution contraceptive, la décontamination de l'eau, ou l'achat de téléphones à l'ergonomie novatrice. Les institutions, tout comme les entreprises, cherchent à comprendre et prévoir le succès ou l'échec d'une innovation; elles espèrent aussi faciliter sa diffusion à moindre coût, notamment en facilitant le bouche à oreille. Une approche de modélisation-simulation permet de mieux comprendre ce processus social et de répondre à ces questions. La simulation multi-agents offre une approche puissante pour modéliser un tel processus social. Toutefois, les modèles actuels simplifient fortement les croyances et informations représentées dans le modèle; ces éléments sont pourtant reconnus comme centraux dans le processus de diffusion, puisqu'ils expliquent le succès ou l'échec de la diffusion, et constituent des variables décisionnelles de l'institution. Afin d'améliorer la descriptivité et l'utilité potentielle d'un modèle de diffusion d'innovations, nous explorons dans cette thèse une représentation des croyances plus réaliste. Le modèle se doit néanmoins de demeurer assez simple pour être paramétré et comparé à des diffusions réelles. Nous proposons de représenter les croyances des adoptants potentiels sous forme de réseaux associatifs, et définissons les mécanismes de manipulation de croyances adaptés. Un protocole d'entretien est proposé, qui rend le modèle paramétrable et validable. Le protocole de communication décrit la recherche et l'émission motivée de ces croyances sur des objets sociaux. L'exploration par simulation des paramètres du modèle permet notamment de mieux comprendre l'importance de la recherche d'information dans la dynamique d'information, et de remettre en cause certaines attentes du marketing viral. Le modèle développé exhibe un gain en descriptivité important, permettant notamment de décrire le marketing évènementiel ou l'échec de la diffusion d'innovation dû à l'incompréhension des messages institutionnels. Comme la plupart des modèles orientés agent, celui-ci s'avère extrêmement sensible à la structure des interactions (``réseau social'') définie dans le modèle. Faute de structure d'interaction réaliste, aucune validation du modèle, ni prédiction sérieuse, ne peuvent être envisagées. Les réseaux sociaux sont généralement considérés comme non collectables à grande échelle. Nous soulignons l'existence de statistiques et d'observations qualitatives sur ces liens, et proposons de formaliser ces connaissances sous forme de réseau bayésiens, ainsi qu'un algorithme générateur de réseaux d'interaction inspiré des théories actuelles sur les processus de sélection sociale. L'utilisabilité de ce générateur est illustrée par la génération d'un réseau d'interaction pour le Kenya rural, dans lequel est représentée la structure familiale, les liens entre collègues et amis, dans un environnement spatialisé. Ce générateur ouvre la voie à l'utilisation de réseaux d'interactions plus plausibles, susceptibles d'améliorer la descriptivité des modèles de phénomènes sociaux, diffusion d'innovations incluse.