La sélection de cibles en mouvement est une tâche courante et complexe dans l'interaction homme-machine (IHM) en général et en particulier dans le domaine de la réalité virtuelle (RV). La prédiction de l'action est une solution intégrale pour aborder les problèmes liés à l'interaction. Cependant, les techniques actuelles de prédiction sont basées sur le suivi continu des actions de l'utilisateur sans prendre en compte la possibilité que les actions d'atteinte d'une cible puissent avoir une composante importante préprogrammée—cette théorie est appelé la théorie du contrôle préprogrammé.En se basant sur la théorie du contrôle préprogrammé, cette thèse explore la possibilité de prédire les actions, avant leur exécution, de sélection d'objets en mouvement. Plus spécifiquement, trois niveaux de prédiction d'action sont étudiés : 1) la performance des actions, mesurée par le temps de mouvement (TM) nécessaire pour atteindre une cible, 2) la difficulté prospective (DP), qui représente la difficulté subjective de la tâche estimée avant son exécution, 3) l'intention de l'utilisateur, qui indique la cible visée par l'utilisateur.Dans le cadre de cette thèse, des modèles de prédiction d'intention sont développés à l'aide des arbres de décision ainsi que des fonctions de classement—ces modèles sont évalués dans deux expériences en RV. Des modèles 1-D et 2-D de DP pour des cibles en mouvement basés sur la loi de Fitts sont développés et évalués dans une expérience en ligne. Enfin, des modèles de TM avec les mêmes caractéristiques structurelles des modèles de DP sont évaluées dans une expérience 3-D en RV. / Selection of moving targets is a common, yet complex task in human–computer interaction (HCI), and more specifically in virtual reality (VR). Action prediction has proven to be the most comprehensive enhancement to address moving-target selection challenges. Current predictive techniques, however, heavily rely on continuous tracking of user actions, without considering the possibility that target-reaching actions may have a dominant pre-programmed component—this theory is known as the pre-programmed control theory.Thus, based on the pre-programmed control theory, this research explores the possibility of predicting moving-target selection prior to action execution. Specifically, three levels of action prediction are investigated: 1) action performance measured as the movement time (MT) required to reach a target, 2) prospective difficulty (PD), i.e., subjective assessments made prior to action execution; and 3) intention, i.e., the target that the user plans to reach.In this dissertation, intention prediction models are developed using decision trees and scoring functions—these models are evaluated in two VR studies. PD models for 1-D, and 2-D moving- target selection tasks are developed based on Fitts' Law, and evaluated in an online experiment. Finally, MT models with the same structural form of the aforementioned PD models are evaluated in a 3-D moving-target selection experiment deployed in VR.