La sélection de cibles en mouvement a été peu abordée dans la littérature scientifique, car les facteurs qui caractérisent ce mouvement sont nombreux. Si certains modèles tels que la loi de Fitts permettent d’estimer le temps de sélection de cibles statiques, ils en sont incapables pour des cibles mobiles, et l’influence de la nature des mouvements d’une cible sur les performances de sélection reste à déterminer. Nous proposons un état de l’art des techniques de sélection de cibles, dont nous avançons une proposition de taxinomie, ainsi qu’une classification des cibles mobiles et de leurs environnements. Nous avons proposé un modèle de description et de génération de mouvement, et l’avons exploité pour extraire les paramètres de mouvement essentiels de cibles mobiles, afin d’estimer la difficulté de les sélectionner. Ce modèle (VFA) comprend la vitesse(V), la période entre chaque changement de direction et la fréquence (F) correspondante, ainsi que l’amplitude angulaire maximale (A) de ces changements de direction. Le modèle VFA nous a permis de mesurer l’influence de ces paramètres sur les performances de sélection, les impressions subjectives des utilisateurs, et leurs stratégies d’anticipation. Ces résultats ont conduit à rechercher des critères dépendant des paramètres VFA, comme l’aire de l’enveloppe convexe de la trajectoire de la cible sur une période donnée, permettant de prédire les performances de sélection. Nous observons que la distance du modèle de Fitts n’a que peu d’influence sur les performances de sélection de cibles mobiles vives et imprévisibles, et validons notre prédiction des performances de sélection en montrant qu’il est possible de les améliorer en ajustant les tailles des cibles selon la difficulté prédite, ou d’utiliser celle-ci pour biaiser l’heuristique d’une technique de prédiction de l’intention. Nous étudions également l’apport d’une assistance pseudo-haptique ajoutée à une technique de prédiction de l’intention, et observons qu’il dépend du compromis vitesse-précision choisi par l’utilisateur. Nous montrons enfin qu’une technique fondée sur l’ élimination manuelle des distracteurs en parallèle de la prédiction de l’intention permet d’obtenir d’excellentes performances de sélection avec un effort physique très réduit. Ces résultats conduisent à la proposition de recommandations pour la conception de nouvelles techniques de sélection plus adaptées aux cibles mobiles. / The selection of moving targets has received little attention in the literature, as the factors that influence motion are numerous and complex. Though models such as Fitts’ Law can estimate selection time for static targets, they fail to do so for moving ones, and the influence of a target’s movements on its associated selection performance remains to be determined. Here we propose a state of the art of moving target selection techniques, a taxonomy thereof, as well as a classification of moving targets and their environments. We propose a model for the description and generation of movement, a use it to extract essential motion parameters from moving targets, in order to estimate their selection difficulty. This model (SFA) includes speed (S), the period between each change in direction and its associated frequency (F), as well as the maximum angular amplitude of these changes (A).Thanks to the SFA model, we measured the influence of these parameters on selection performance, the subjective impressions of users, and their anticipation strategies. These results led us to look for SFA dependent criteria, such as the area of the target’s trajectory’s convex hull over a given period of time, which can predict selection performance. We note that Fitts’s distance has little influence on selection performance for quick, unpredictable moving targets, and validate our estimate of selection performance by showing that this estimate can be used to improve selection performance by adjusting the size of targets accordingly, or by using it to bias an intention prediction heuristic. We also assess the benefits of pseudo-haptic assistance coupled with intention prediction, and show that it depends on the speed accuracy trade-off chosen by a given user. We finally show that a technique based on the manual elimination of distractors running concurrently with intention prediction allows for excellent selection performance, and drastically reduced physical effort. We conclude by offering advice on the design of new selection techniques that would be better suited to moving targets.