L’activité musculaire peut être caractérisée par la performance et un état de fatigue. Le muscle diaphragmatique est caractérisé par sa résistance à la fatigue, en faisant un témoin de capacité à l'autonomie respiratoire. Bien que cliniquement d'intérêt, la mesure de l'état de fatigue de ce muscle est difficile. Nous avons approché cette mesure en analysant les signaux de son activité électrique recueillis par contact. L'obtention des paramètres requière un traitement du signal. Nous avons développé les outils de recueil et de traitement de ce signal et les avons analysé pendant l'anesthésie. Le recueil a fait l'objet du développement d'une sonde multiélectrodes et des logiciels hardware et software de recueil du signal. L'analyse du signal a été l'objet de différentes méthodes mathématiques de débruitage temps réel sur des processeurs RISC-ARM, comparant des algorithmes de deux types d’ondelettes (MuRw, LiFw), et un filtre morphologique (MoFi), le choix portant finalement sur l'ondelette MuRw offrant le meilleur compromis en temps de calcul et en rapport signal sur bruit. L'évaluation clinique de sujets sains et de patients a montré la pertinence des paramètres fréquentiels de l'activité électrique MuRw du diaphragme comme représentants de son état de fatigue, en particulier par le rapport hautes sur basses fréquences obtenu par analyse spectrale / Muscular activity can be described in terms of performance and fatigue. Diaphragmatic muscle is charactarized by its resistance to fatigue, making of it a good representative of ventilatory autonomy. While of clinical interest, its measurement is difficult. We considered this measurement by analyzing the electrical diaphragmatic signal gathered from direct recordings. To be obtained, the parameters have to be filtered. We developped the tools to record as well as to filter the signal and have validated them in clinical settings during anesthesia and intensive care. A multielectrodes probe and the associated hardware and software were developped for the signal recording. The filtering which followed compared using differnt wavelet analysis algorithms (MuRw, LiFw), and a morphological filter (MoFi), through a RISC-ARM processor for a real-time measurement. MuRw was the best compromise for calcul duration and signal noise ratio. Clinical evaluation on patients and healthy volounteers demonstrated the pertinence of frequential parameters extracted from the filtered signal, particularly the High Low ratio obtained after spectral analysis