L'analyse de la dynamique des réseaux de régulation biologique, notamment des réseaux de signalisation et de régulation génique, fait face à l'incertitude du modèle de calcul exact. En effet, la plupart des connaissances disponibles concernent l'existence d'interactions (éventuellement indirectes) entre des entités biologiques (espèces), par ex. protéines, ARN, gènes, etc. Les détails sur la manière dont les différents régulateurs d'une même cible coopèrent, et plus encore sur les taux cohérents pour ces interactions, sont cependant rarement disponibles. A cet égard, des approches de modélisation qualitative sous forme de réseaux de régulation discrets, tels que les réseaux booléens et Thomas, offrir un niveau d'abstraction approprié pour la dynamique du réseau de régulation biologique. Les réseaux de régulation discrets étant basés sur un graphe d'influence, ils nécessitent peu de paramètres supplémentaires par rapport aux modèles quantitatifs classiques. Néanmoins, la détermination des paramètres discrets est un défi bien connu et un goulot d'étranglement majeur pour fournir des prédictions robustes à partir de modèles informatiques. Le graphe d'influence d'un réseau de régulation établit des dépendances pour l'évolution de chaque espèce, spécifiées par les arêtes dirigées du graphe. Les dépendances seules, cependant, ne suffisent pas pour spécifier la fonction logique régissant l'évolution d'une espèce. Au lieu de cela, les fonctions logiques associées à chaque espèce, contraintes par le graphe d'influence, sont codées dans les paramètres d'un réseau de régulation discret. L'espace des fonctions logiques admissibles est alors représenté par un réseau de régulation paramétrique. D'une part, les réseaux de régulation paramétriques peuvent être utilisés pour l'identification de valeurs de paramètres pour lesquelles le réseau de régulation discret résultant satisfait des propriétés (dynamiques) données. L'identification des paramètres des réseaux de régulation peut ainsi être vue comme un exemple particulier de synthèse de modèle, dans le cadre contraint du graphe d'influence sous-jacent. D'autre part, les réseaux de régulation paramétriques peuvent être analysés comme un modèle autonome, pour faire des prédictions robustes vis-à-vis de la variabilité du réseau. L'analyse de la dynamique du réseau de régulation paramétrique est entravée par la double explosion combinatoire, de l'espace d'états et de l'espace des paramètres. Dans cette thèse, nous développons de nouvelles méthodes d'analyse de réseau de régulation paramétrique, sous forme de sémantique spécialisée, visant à atténuer l'explosion combinatoire. Tout d'abord, nous introduisons une interprétation abstraite de l'ensemble des évaluations de paramètres admissibles (paramétrisations). L'abstraction permet de représenter n'importe quel ensemble de paramétrisations par un encodage de taille constante, au prix d'une sur-approximation conservatrice. Deuxièmement, nous élevons la sémantique d'ordre partiel sous la forme d'un déploiement des réseaux de Petri vers des réseaux de régulation paramétriques. Les graphiques d'influence des réseaux de régulation biologique ont tendance à être relativement clairsemés, ce qui permet une grande concurrence. Cela peut être exploité par des méthodes de réduction d'ordre partiel pour produire des représentations d'espace d'état concises. Les deux approches visent à aborder les deux aspects de la double explosion combinatoire et sont introduites de manière compatible, ce qui permet de les utiliser simultanément. Une telle application est soutenue par une implémentation prototype utilisée pour mener des expériences sur divers réseaux de régulation paramétriques. Nous considérons en outre des raffinements des méthodes, comme une méthode de réduction de modèle à la volée portée aux réseaux de régulation paramétriques à partir de réseaux d'automates.