Dans un premier temps, nous avons exploré la reconnaissance des signatures électromagnétiques des familles d'appareils électriques à l'aide d'un apprentissage supervisé et d'une validation croisée. Les résultats obtenus sont peu fiables. L'exactitude de la classification est de 54.5±26.1% pour les familles d'appareils électriques domestiques testés: la bouilloire, la cuisinière (le four traditionnel et les plaques de cuisson), la hotte de la cuisine, la ventilation de la salle de bain, le fer à repasser, le grille-pain, les luminaires de l'ensemble réfrigérateur-congélateur et les luminaires des lampes. Néanmoins, à partir d'un apprentissage non supervisé, les signatures électromagnétiques permettent tout de même de différencier les appareils selon leur type de charge, résistive ou inductive. Dans un second temps, nous avons cherché du côté des profils de puissance. Les fronts détectés sur le profil de puissance peuvent permettre d'identifier l'allumage et l'arrêt des appareils électriques. Par la suite, à l'aide d'un apprentissage supervisé, les différentiels des fronts de puissance sont associés à un appareil électrique. Le système à été validé lors de la réalisation d'un repas au cours duquel une personne à utiliser l'une des plaques de cuisson, le four traditionnel, la ventilation de la salle de bain, le four à micro-ondes et une machine à expresso. Initialement, le taux de vraie reconnaissance est de seulement 58.2%, le taux de non reconnaissance est de 26.5% et le taux de fausse reconnaissance est de 15.3%. En effet, certains appareils ont des consommations électriques similaires. De plus, plusieurs appareils peuvent fonctionner simultanément. Dans un troisième temps, des règles d'inférences statiques et dynamiques ont été mises en place pour améliorer la reconnaissance des appareils électriques. Par exemple: sur quelle(s) ligne(s) électriques(s) un appareil est branché. Le taux de vraie reconnaissance obtenu passe alors à 95.5%, le taux de non reconnaissance passe à 0.3%. Le système de reconnaissance est limité aux appareils électriques ayant une consommation de puissance supérieure à 70 Watts en raison du bruit électrique présent sur l'une des lignes électriques. Malgré les corrections apportées par les règles d'inférence, certains appareils sont difficilement différenciables. Par exemple: le four traditionnel dans la cuisine et le fer à repasser dans la chambre restent très difficiles à reconnaître. Dans un quatrième temps, nous avons cherché à encore améliorer le taux de vraie reconnaissance en incorporant des informations contextuelles non liées au réseau électrique. L'information apportée par les événements sonores permet de localiser spatialement le résident afin de lever certaines ambiguïtés sur la reconnaissance des appareils. Nous avons développé un système de détection et de localisation des événements sonores basé sur la mise en évidence des transitoires du signal sonore. La localisation de la personne à partir de l'environnement sonore à été validé lors de la réalisation des routines du matin par une personne: se lever, s'habiller, faire sa toilette, préparer et manger un petit déjeuner et enfin s'apprêter pour sortir. La fusion des données sonores et électriques n'a pas été implémentée dans le cadre de cette thèse, mais nos travaux montrent qu'il est possible d'obtenir les données sonores et électriques nécessaires pour ce faire. Finalement, des expérimentations intégrant des assistants cognitifs ont été réalisées avec dix personnes non affectées cognitivement. Le scénario consiste à préparer un pâté chinois, prendre un médicament et faire le repassage. Une application d'aide à la cuisine «SemAssist» et une autre de rappel d'activités «Ap@lz» ont aussi été utilisées au cours de l'expérimentation. Ces expérimentations ont permis d'évaluer en conditions réelles le système de supervision de l'environnement électrique basé sur le profil de puissance. Le taux de vraie reconnaissance est de 87.2±5.0%, le taux de non reconnaissance est de 10.5±4.1% et le taux de fausse reconnaissance est de 2.3±2.7%.