Nos travaux portent sur la connectivité cérébrale entre des populations neuronales distantes impliquées dans les crises d'épilepsie, et ce à partir de la modélisation causale dynamique (DCM : dynamic causal modelling) dans sa version spectrale. Celle-ci est basée sur deux instances, (i) le modèle neuronal pour interpréter les signaux observés et leurs densités spectrales de puissance, (ii) l'inversion du modèle basée sur l'algorithme d'estimation-maximisation (EM) variationnel pour identifier les paramètres du modèle. L'approche DCM s'avérant sensible à l'initialisation des paramètres, une mauvaise estimation peut s'ensuivre. Pour y pallier, nous proposons deux variantes de l'algorithme DCM spectral, l'algorithme L-DCM basé sur un ajustement local de l'estimation à chaque initialisation et l'algorithme D-DCM basé sur un schéma de type recuit-simulé. Les trois approches sont évaluées à l'aide de deux types de modèle, un modèle basé sur la physiologie (PBM) et un modèle plus affiné en termes de liaisons entre sous-populations neuronales (cPBM), et sont comparées sur des signaux simulés et des signaux stéréoélectroencéphalographiques réels. Nos résultats prouvent non seulement l'efficacité des nouvelles approches mais confirment également l’avantage du cPBM par rapport au PBM en termes de complexité de calcul et de précision d'estimation. Dans un dernier temps, nous nous focalisons sur la lenteur de l'algorithme EM variationnel liée à la méthode de Gauss-Newton employée. Une technique de recherche linéaire optimale (ELS : exact line search) est proposée, consistant à calculer, à chaque itération de l’algorithme itératif, le pas optimal à réaliser dans la direction de plus grande pente. La faisabilité de cette approche est envisagée dans le contexte de mélanges de gaussiennes. Les résultats obtenus sur signaux simulés et réels attestent l'efficacité du schéma proposé lorsqu'il est appliqué à l'algorithme EM conventionnel, mais aussi à d'autres techniques comme l'algorithme du gradient conjugué. Ces résultats préliminaires sont une perspective pour une future extension de l'approche DCM.