Les arythmies auriculaires constituent une pathologie majeure en cardiologie, et leur étude constitue un vaste sujet de recherche. Pour les étudier, de nombreux modèles mathématiques de la propagation du potentiel d'action dans les oreillettes ont été développés. La plupart de ces modèles génériques permettent de reproduire des séquences d'activations typiques des oreillettes. De tels modèles peuvent avoir un intérêt expérimental, voir clinique, par exemple dans l'aide à la localisation des foyers arythmiques ou encore dans l'analyse des échecs du traitement de ces arythmies. Néanmoins, pour atteindre ce but, il faut être capable de recaler au mieux le modèle, dans ses dimensions géométriques ou fonctionnelles, sur des données individuelles. L'assimilation de données, discipline mathématique dans laquelle nous cherchons à combiner de manière optimale théorie et observations, est alors un bon candidat à la personnalisation des modèles de la propagation du potentiel d'action. Dans cette thèse, nous proposons d'étudier différentes méthodes d'assimilation de données -- séquentielles et variationnelles -- dans le but de combiner les modèles de propagation avec des données électroanatomiques. Plus précisément, nous nous intéressons à deux applications possible de l'assimilation de données que sont l'estimation d'état et l'estimation de paramètres. Dans un premier temps, nous étudions un observateur d'état permettant de corriger la position du front de propagation simulé en se basant sur la position du front observé. Cet observateur est alors utilisé afin de compléter une carte d'activation obtenue lors d'une procédure clinique. Ensuite, ce même observateur est combiné à un filtre de Kalman d'ordre réduit afin d'estimer les paramètres de conductivités du modèle mathématique de propagation du potentiel d'action. Une étude de la stratégie d'estimation liée état-paramètre est ensuite réalisée pour voir comment la méthode se comporte face aux erreurs de modélisation. La méthode est ensuite testée sur un jeu de données acquis cliniquement. Puis, nous regardons du côté des méthodes d'assimilation de données variationnelles qui permettent l'estimation de paramètres spatialement distribués. Plusieurs problèmes de minimisation, permettant d'estimer un paramètre de conductivité distribué dans l'espace, sont alors introduits et analysés. Nous montrons alors que la discrétisation de ces problèmes de minimisation, dans le but d'obtenir des méthodes numériques de résolution, peut s'avérer complexe. Une méthode numérique est ensuite mise en place pour un des problèmes de minimisation étudié, et trois cas tests unidimensionnels sont analysés.Enfin, nous démontrons l'existence d'un minimum pour une des fonctions objectif étudiées en nous basant sur des résultats d'analyse fonctionnelle de la littérature.