L’évolution de la technologie se traduit par l’émergence de systèmes de plus en plus complexes et automatisés. Dans les situations dynamiques, l’activité de l’opérateur est désormais plus centrée sur la supervision que sur l’exécution. Ces situations sont caractérisées par la complexité, l’incertitude, un contrôle partiel et un risque important de perdre la maîtrise de la situation. L’objectif principal des travaux présentés dans ce manuscrit est de créer un indicateur synthétique de charge mentale, qui servira à piloter une réallocation des fonctions en temps réel. Il s'agit, in fine, de permettre à l’opérateur de mieux réguler sa charge mentale, et de l'aider à garder ou à récupérer la maîtrise de la situation. Ces travaux sont appliqués à l’activité de supervision d’un essaim de drones étudiée sur une plateforme de simulation (la plateforme SUSIE). Nous avons pour cela revisité et combiné le modèle de Hart et Staveland (1988), qui considère la charge mentale comme une construction multidimensionnelle et celui de Sperandio (1971), qui se focalise sur les régulations de l’activité. Cela nous a amené à proposer un modèle dynamique et tridimensionnel (basé sur l’analyse des contraintes, des effets de la charge sur la tâche et l’opérateur, et des régulations), sur lequel nous nous sommes appuyés pour construire une démarche de création d’un indicateur synthétique de charge mentale. Cette démarche se décompose en quatre étapes. La première consiste à réaliser une analyse de la tâche en suivant la méthodologie de Sperandio (1988), afin de définir et d’identifier les descripteurs de la charge mentale suivant les trois catégories de notre modèle dynamique et tridimensionnel. La seconde étape s’appuie sur la réalisation d’une expérimentation, qui vise à valider ou exclure les indicateurs identifiés, en fonction de leur sensibilité aux variations de charge mentale (telle que définie par Cegarra et Chevalier (2008)). Les résultats montrent notamment que le diamètre pupillaire et l’observation des régulations permettent une mesure sensible. La troisième étape a pour objectif de créer un indicateur synthétique de charge mentale en fusionnant par réseaux bayésiens et logique floue les indicateurs retenus. Enfin, la dernière phase supporte la conception d’une allocation dynamique des fonctions, déclenchée à partir de l’indicateur synthétique de charge mentale. Une deuxième expérimentation a été menée afin d’évaluer l’apport de la réallocation. Elle montre que l’aide permet à l’opérateur de mieux réguler son activité ; elle modifie la charge de travail (contrainte), mais ne réduit pas la charge mentale. / The evolution of technology has resulted in the emergence of increasingly complex and automated systems. In dynamic situations, the activity of the operator is now more centred on supervision than on execution. These situations are characterized by complexity, uncertainty, partial control and a significant risk of losing control of the situation. The main objective of the work presented in this manuscript is to create a synthetic mental workload indicator, which will be used to trigger a reallocation of functions in real time. The ultimate goal is to enable the operator to better regulate his/her mental workload and to help him/her maintain or regain control of the situation. This work is applied to the supervision activity of a drone swarm studied on a simulation platform (the SUSIE platform). We have revisited and combined the model of Hart and Staveland (1988), which considers the mental workload as a multidimensional construct and that of Sperandio (1971), which focuses on the regulation of activity. This led us to propose a dynamic and three-dimensional model (based on the analysis of the constraints, the effects of the workload on the task and the operator, and the regulations), on which we relied to build a creative approach of a synthetic mental workload indicator. This process is divided into four stages. The first consists in carrying out an analysis of the task following the methodology of Sperandio (1988), to define and identify the descriptors of the mental workload according to the three categories of our dynamic and three-dimensional model. The second step is based on the realization of an experiment, which aims to validate or exclude the identified indicators, per their sensitivity to variations in mental workload (as defined by Cegarra et Chevalier (2008)). The results show in particular that the pupillary diameter and the observation of the regulations allow an appreciable measurement. The third step aims to create a synthetic indicator of mental load by merging the chosen indicators by using Bayesian networks and fuzzy logic. Finally, the last phase supports the design of a dynamic allocation of functions, triggered from the synthetic indicator of mental workload. A second experiment was carried out to evaluate the contribution of reallocation. It shows that the aid allows the operator to better regulate his activity; it modifies the task workload (constraint), but does not reduce the mental workload.