Ma thèse s’inscrit dans le cadre d’un effort multidisciplinaire visant à mieux contraindre l’équation d’état de la matière nucléaire, un élément essentiel pour la compréhension des noyaux atomiques et des étoiles à neutrons. À partir de collisions d’ions lourds aux énergies intermédiaires, mesurées avec le détecteur INDRA au GANIL, ce travail établit un lien entre des observables expérimentales déduites de l’analyse des collisions centrales et les propriétés thermodynamiques de la matière nucléaire dense et chaude. L’étude combine modèles de transport (BUU, ELIE, HIPSE), méthodes d’apprentissage automatique (notamment la reconstruction du paramètre d’impact par réseaux de neurones) et inférence bayésienne, permettant une estimation rigoureuse des incertitudes sur plusieurs grandeurs clés. Dans un premier temps, une évaluation de la section efficace nucléon-nucléon dans le milieu nucléaire a été proposée grâce à une approche nouvelle de type machine learning usant une inférence liée à la probabilité de Kolmogorov-Smirnov. Par la suite, une estimation des densités maximales atteintes lors des collisions centrales sélectionnées a été obtenue grâce à une inférence bayésienne et a permis d’apporter des contraintes sur l’énergie de compression lors de ces collisions. Ceci a permis d’accéder directement à la compressibilité de la matière nucléaire ainsi que la dépendance en densité de la pression, indispensable pour la description de la structure des étoiles à neutrons. Dans un dernier temps, une analyse de sensibilité sur la composante isovectorielle (énergie de symétrie) de l’équation d’état est proposée et a permis de quantifier le niveau de sensibilité requis pour contraindre celle-ci dans de futures expériences.