Dans cet exposé, nous appliquons des méthodes d'Analyse en Composantes Indépendantes (ACI) sur des données d'Imagerie par Résonance Magnétique Fonctionnelle (IRMF) acquises au cours d'une expérience en vision humaine. Les méthodes d'ACI peuvent être classées en deux grandes catégories. Les méthodes d'ACI dites spatiales cherchent à retrouver dans les données des composantes (images) sources les plus indépendantes possibles et leurs décours temporels associés. Les méthodes d'ACI dites temporelles cherchent à retrouver dans les données des composantes (signaux temporels) sources les plus indépendantes possibles et les pondérations associées avec lesquelles ces signaux s'expriment dans les différentes régions cérébrales. Compte tenu des caractéristiques particulières des jeux de données obtenus lors d'expériences d'IRMF (dimension spatiale très supérieure à la dimension temporelle), seules les méthodes d'ACI spatiale sont actuellement appliquées dans ce contexte car ce sont les seules à être envisageables d'un point de vue numérique. Les neuroscientifiques seraient toutefois très intéressés à pouvoir utiliser des méthodes d'ACI temporelle car il semble naturel, dans certaines expériences, de supposer une indépendance temporelle des signaux sources originaux. Nous proposons dans ce travail d'utiliser un résultat classique d'algèbre linéaire qui permet de surmonter les difficultés numériques sus-mentionnées et permet donc l'utilisation de méthodes d'ACI temporelle réputées impraticables dans ce contexte. Nous présentons également un critère original de non Gaussianité basé sur une nouvelle mesure d'applatissement qui permet de résoudre le problème de séparation de sources de façon robuste et rapide. Ces méthodes sont implémentés dans le package R AnalyzeFMRI.