Les tests de permutation (ou tests de randomisation), forment une classe de tests non paramétriques, et sont donc appropriés pour tester les hypothèses lorsque les postulats paramétriques ne sont pas satisfaits. Dans cette thèse, nous proposons de nouveaux tests de permutation, qui peuvent être utilisés pour analyser des plans d'expériences complexes ainsi que dans des protocoles expérimentaux avec des données de type EEG (Electroencéphalogramme). Plus précisément, dans la première partie de cette thèse (chapitre 2), nous avons développé un test exact de permutation pour les ANOVA à effets fixes ou factorielles, c'est à dire pour les ANOVA avec un seul terme d'erreur. Pour y parvenir, nous calculons d'abord les "résidus du modèle réduit", qui éliminent tous les effets fixes à part celui qui est testé. Dans la deuxième phase de la thèse (chapitre 3), nous nous sommes concentrés sur des designs plus complexes et nous avons adapté ce test de permutation pour les modèles mixtes et les ANOVA à mesures répétées. Nous introduisons un test de permutation approximatif basé sur les résidus du modèle réduit pour les mesures répétées et les modèles mixtes. Dans la troisième partie de la thése (chapitre 4), nous avons étendu les tests de permutation proposés aux cas de données avec plus d'une dimension tels que les signaux EEG (Electroencéphalogramme) ou ERP (Event Related Potential), que nous appellerons des signaux. Dans la grande majorité des expériences en psychologie ou en neurosciences utilisant ces techniques, le plan d'expérience est complexe, avec plusieurs facteurs inter- et/ou intra-sujets. Nous avons adapté la permutation des résidus dans le cadre du modèle réduit pour les signaux dans ces types de plan, c'est à dire pour les ANOVA factorielles, les ANOVA `a mesures répétées et les modèles mixtes.