Nous avons étudié l’impact de la structure temporelle de l'activité neuronale sur la dynamique de réseaux recevant cette activité et impliqués dans la cognition. Nous avons caractérisé le code qui permet de lire l'information dans des signaux du cortex cingulaire antérieur dorsal (CCAd) simien, qui intervient dans les processus d'adaptation comportementale. Nos analyses suggèrent que la variabilité importante du nombre de potentiels d'action émis par les neurones, ainsi que la fiabilité temporelle conséquente de ces signaux, favorisent un décodage par des réseaux sensibles à la structure temporelle. De plus, quand nous avons séparé les données entre un groupe avec un grand nombre de potentiels d'action, et un groupe avec un faible nombre de potentiels d'action, nous n'avons pas trouvé pas de différence robuste du comportement du singe entre ces deux groupes. Par contre, lorsque l'activité d'un neurone devenait moins semblable à la réponse typique de ce neurone, le singe semblent répondait plus lentement pendant la tâche comportementale. L'activité d'un neurone semblait pouvoir se différencier de sa réponse typique par une augmentation ou une diminution du nombre de potentiels d'actions, ou par des imprécisions sur le temps d'émission des potentiels d'action. Nos résultats suggèrent que les réseaux neuronaux qui décodent les signaux du CCAd détectent des motifs spatiotemporels. Enfin, nous avons ensuite analysé mathématiquement des modèles de réseaux de neurones récurrents dans le but mieux comprendre l’impact des signaux du CCAd sur le décodeur. Le modèle de neurone utilisé peut reproduire la réponse dynamique de neurones biologique par l’inclusion d’une adaptation neurale. / We investigated the putative function of the fine temporal dynamics of neuronal networks for implementing cognitive processes. First, we characterized the coding properties of spike trains recorded from the dorsal Anterior Cingulate Cortex (dACC) of monkeys. dACC is thought to trigger behavioral adaptation. We found evidence for (i) high spike count variability and (ii) temporal reliability (favored by temporal correlations) which respectively hindered and favored information transmission when monkeys were cued to switch the behavioral strategy. Also, we investigated the nature of the neuronal variability that was predictive of behavioral variability. High vs. low firing rates were not robustly associated with different behavioral responses, while deviations from a neuron-specific prototypical spike train predicted slower responses of the monkeys. These deviations could be due to increased or decreased spike count, as well as to jitters in spike times. Our results support the hypothesis of a complex spatiotemporal coding of behavioral adaptation by dACC, and suggest that dACC signals are unlikely to be decoded by a neural integrator. Second, we further investigated the impact of dACC temporal signals on the downstream decoder by developing mean-field equations to analyze network dynamics. We used an adapting single neuron model that mimics the response of cortical neurons to realistic dynamic synaptic-like currents. We approximated the time-dependent population rate for recurrent networks in an asynchronous irregular state. This constitutes an important step towards a theoretical study of the effect of temporal drives on networks which could mediate cognitive functions.