Cette thèse s’inscrit dans les domaines de la statistique non-paramétrique et de la théorie statistique de l’apprentissage non-supervisé. Son objet est la compréhension et la mise en oeuvre de méthodes d’estimation et de décision pour des modèles de graphes aléatoires à espace latent. Ces outils probabilistes rencontrent un succès grandissant pour la modélisation de grands réseaux dans des domaines aussi différents que la biologie, le marketing ou les sciences sociales. Dans un premier temps, nous définissons un indice identifiable de la dimension de l’espace latent puis un estimateur consistant de cet indice. Plus généralement, ces quantités identifiables et interprétables permettent de palier l’absence d’identifiabilité de l’espace latent lui-même. Dans la suite, nous introduisons le problème de ‘pair-matching’. En partant d’un graphe non-observé, une stratégie choisit de façon séquentielle des paires de noeuds et observe la présence/absence d’arêtes. Son objectif est de découvrir le plus grand nombre possible d’arêtes avec un budget fixé. Pour ce problème de type bandit, nous étudions les regrets optimaux dans un modèle à blocs stochastiques puis dans un graphe aléatoire géométrique. Enfin, nous estimons les positions des noeuds dans l’espace latent, dans le cas particulier où l’espace est un cercle dans le plan euclidien. Pour chacun des trois problèmes, nous obtenons des procédures optimales au sens minimax, ainsi que des procédures efficaces satisfaisant certaines garanties théoriques. Ces algorithmes sont analysés d’un point de vue non-asymptotique en s’appuyant, entre autres, sur des inégalités de concentration.