Les interfaces cerveau-ordinateur (BCI) permettent à un utilisateur d’interagir avec un ordinateur en utilisant uniquement son activité cérébrale. L’un des paradigmes les plus étudiés en BCI est l’imagerie motrice (MI), dans lequel les utilisateurs imaginent des mouvements spécifiques sans les exécuter. Cette tâche active des patterns neuronaux similaires à ceux du mouvement réel. Les signaux MI peuvent être décodés via des algorithmes d’apprentissage automatique (ML) ou d’apprentissage profond (DL), entraînés à extraire les marqueurs neuronaux associées à ces mouvements imaginés. Cependant, les performances des modèles actuels manquent de robustesse. Une grande variabilité inter- et intra-individuelle est observée, avec environ 30% des utilisateurs incapables de controller efficacement une BCI. Cette variabilité peut s'expliquer par des facteurs propres au sujet (traits individuels, capacité à effectuer la tâche mentale) ainsi que par des facteurs liés à la session (qualité du signal EEG, état mental comme la fatigue ou la motivation). Cette thèse vise à améliorer la robustesse des algorithmes de classification BCI en abordant ces sources de variabilité. Trois contributions sont proposées. Nous avons d’abord validé plusieurs facteurs neurophysiologiques liés aux performances BCI à l’aide d’une base de données ouverte de grande taille. Cette validation nous permet, dans un second temps, de développer des modèles ML/DL invariants à ces facteurs. Ensuite, nous avons mené une revue systématique des algorithmes de classification prenant explicitement en compte ces facteurs, afin d’améliorer les performances ou d’assurer une invariance aux sources de variabilité. Nous avons propose une version modifiée du classifieur Linear Discriminant Analysis (LDA), conçue pour être invariante à certains facteurs neurophysiologiques corrélés aux performances BCI ou à l’état mental des utilisateurs. Enfin, nous avons étudié l’impact de l’entraînement inter-sujets en DL, par rapport à l'entraînement intra-sujet. Nos résultats montrent qu’un entraînement sur un grand nombre de sujets améliore les performances et la robustesse face à la variabilité interindividuelle. Dans une seconde partie, nous explorons les variabilités des MI-BCI dans un contexte applicatif de rééducation motrice post-AVC. En effet, les exercices d’imagerie motrice peuvent favoriser la neuroplasticité, et les BCI permettent un retour sensoriel continu directement lié à l’activité du cortex moteur. Malgré ce potentiel, les thérapies BCI actuelles souffrent de limitations dues au manque de robustesse algorithmique, aggravé par la variabilité induite par l’AVC. Pour améliorer l’efficacité de ces thérapies, nous avons d’abord réalisé une synthèse des facteurs pouvant prédire le succès de la rééducation, qu’il s’agisse de prédicteurs des performances BCI ou du rétablissement moteur, avec ou sans intervention BCI. À partir de cette analyse, nous avons conçu un protocole expérimental en collaboration avec un hôpital pour valider ces prédicteurs en contexte clinique. Enfin, une réflexion méthodologique est menée sur les bonnes pratiques en analyse de signaux EEG. Nous montrons que certains artefacts expérimentaux, comme les indices visuels, peuvent biaiser l’apprentissage des modèles, notamment en DL, s’ils ne sont pas correctement contrôlés. Nous évaluons également l’impact du choix de la ligne de base dans l’analyse de la désynchronisation liée à l’événement (ERD), sur l’interprétation des résultats. Ce travail vise à mieux comprendre les facteurs de variabilité des performances MI-BCI et à développer des méthodes de ML étant robustes à ces variabilités. Nous contribuons également à la conception expérimentale de protocoles cliniques pour la rééducation post-AVC par BCI. Enfin, nous soulignons l’importance d’approches rigoureuses en ML, centrées non seulement sur la précision de classification, mais aussi sur la pertinence des caractéristiques neurophysiologiques étudiées.