Dans.ce mémoire, nous nous intéressons au problème de l'extraction de règles d'association positives et négatives valides, et ses applications en didactique des mathématiques. L'extraction de telles règles d'association est décomposée en deux étapes qui sont l'extraction des motifs fréquents et la génération de règles d'association pertinentes à partir de ces motifs fréquents. La complexité de chacune de ces deux étapes est très souvent exponentielle : le nombre d'itemsets fréquents est potentiel, et le nombre de règles d'association générées peut être excessivement élevé dû en partie aux mesures de qualité utilisées. En effet, l'immense majorité des approches existantes se limitent à l'utilisation du couple classique support-confiance, alors que ce couple n'est pas efficace en présence de données fortement corrélées et/ou des seuils de support faibles. La découverte de règles d'association potentiellement pertinentes est donc d'autant plus délicate que de nombreuses règles s'avèrent inintéressantes ou redondantes. Pour y faire face, nous proposons deux nouveaux modèles permettant respectivement l'extraction optimisée des motifs fréquents, et l'optimisation de la génération de règles d'association valides potentielles en utilisant le nouveau couple support-MGK. Dans le cadre des graphes implicatifs, la plupart des travaux existants se limitent à l'utilisation de l'approche de Gras, reposant sur la mesure, intensité d'implication, basée sur une approximation gaussienne. L'évaluation de cette approche est toutefois assez critiquable dans le sens où ladite mesure de qualité utilisée a tendance à ne plus être discriminante en présence de données denses, à cause de cette approximation encourue, ce qui n'est donc pas à l'abri de perte d'information. De plus, seules les règles d'association classiques dites positives sont considérées, les règles négatives qui peuvent se révéler une source d'information importante pour l'utilisateur sont ignorées, ce qui pose aussi un réel problème pour qualifier les résultats obtenus. A cela, nous proposons une nouvelle approche de construction de ces graphes implicatifs à l'aide d'une autre mesure plus sélective, MGK, en intégrant à la fois les règles positives et les règles négatives. Nous y avons défini un nouvel algorithme afin d'automatiser la construction. Également, nous avons élaboré un nouvel outil, CHIC-MGK, permettant entre autres de servir d'appui à la recherche en didactique des mathématiques. Les expérimentations menées sur quelques bases de données de référence et des réels problèmes de didactique de la statistique à Madagascar, montrent la faisabilité notable de nos modèles.