Les travaux présentés dans cette thèse s'inscrivent dans la problématique de l'identification de la connectivité effective, et, de ce fait, de graphes de propagation, pour détecter et quantifier les relations entre structures cérébrales impliquées lors de l'initiation et de la diffusion de crises d'épilepsie. Définie comme la possibilité de connexion offerte par une entité à des entités voisines et/ou distantes, la connectivité se décline au niveau cérébral suivant trois modes : la connectivité anatomique ou structurelle fait référence aux liens physiques qui existent entre différentes régions anatomiques du cerveau, la connectivité fonctionnelle permet de caractériser l'activité en réseau du cerveau et la connectivité effective complète les notions de connectivités structurelle et fonctionnelle en introduisant le concept d'influence causale exercée par un système neuronal sur un autre, soit directement soit indirectement. Dans cette optique, différentes approches ont été envisagées afin d'apporter des éléments de réponse à deux questions essentielles, à savoir l'identification de liaisons unilatérales et/ou bilatérales entre structures et la mise en évidence de liens directs et/ou indirects. Après avoir recensé les principales techniques de la littérature, nous nous sommes intéressés à l'indice de causalité de Granger ainsi qu'à des extensions fréquentielles et/ou conditionnées, avant d'explorer un indice de pente de phase, l'idée sous-jacente étant l'estimation de retard. Un nouvel indice construit sur la cohérence dirigée partielle a été proposé permettant non seulement de détecter des flux réciproques mais également de discriminer relations directes et indirectes entre signaux. Dans un troisième temps, nous nous sommes orientés vers des techniques plus complexes non paramétriques (à des horizons de prédiction près) relevant de la théorie de l'information et plus spécifiquement vers l'entropie de transfert. De par la subordination et la sensibilité de cette technique au choix de paramètres de calibration comme l'ordre des modèles de Markov, nous avons proposé une optimisation de l'estimation de l'ordre de ces modèles à partir du critère d'information bayésien avant de considérer une mesure d'entropie de transfert conditionnelle dans un souci d'analyse multivariée. Les différentes approches proposées ont été évaluées et comparées sur des signaux simulés suivant des processus vectoriels autorégressifs linéaires et non linéaires ainsi que sur des modèles physiologiques réalistes avant d'être appliquées sur des signaux réels enregistrés sur un modèle animal (cochon d'inde). En simulation, les résultats obtenus permettent d'établir des graphes de propagation cohérents et conformes aux modèles et, dans le cas réel, d'apprécier les variations de cette connectivité au cours du temps.