L'attention visuelle overt est sélective : si une information localisée est pertinente pour une tâche, l'attention est allouée à la zone contenant cette information. Si plusieurs sous-tâches sont nécessaires à la réalisation de cette tâche, chacune associée à une information différente, l'allocation de l'attention doit être sérielle, et les mouvements des yeux permettent de récupérer ces informations. Mais de quelle manière ; selon quel ordre de priorité ? Existe-il une stratégie optimale pour recueillir ces informations, et les personnes suivent-elles cette stratégie optimale ? Avec ce travail, nous avons voulu mettre l'accent sur la validité externe des expérimentations et nous focaliser sur des situations dynamiques naturelles. Or dans ce type de situation, les traitements top-down, découlant des connaissances préalables et de l'objectif, guident préférentiellement l'allocation de l'attention, tandis que les traitements bottom-up (caractéristiques des entrées perceptives) ont une influence mineure. Ce travail est donc centré sur l'attention top-down. La situation choisie est une approche de carrefour en conduite automobile, les sous-tâches étudiées sont le contrôle du véhicule (la trajectoire) et la décision de s'arrêter ou non au carrefour. Deux objectifs opérationnels sont investigués à travers l'analyse des mouvements oculaires : 1/ distinguer les sous-tâches de contrôle du véhicule et de prise de décision, 2/ distinguer les processus de la sous-tâche de prise de décision. Pour chaque objectif, une approche qualitative puis quantitative sont explorées. Des techniques de classification supervisées ont notamment été utilisées pour distinguer les différents processus. Deux études ont été conduites afin de répondre à ces objectifs, une en simulateur de conduite et une en situation réelle de conduite, mettant toutes deux en scène des approches de carrefours. Pour le premier objectif, nous nous appuyons sur un modèle théorique de l'allocation de l'attention (SEEV) stipulant que l'attention top-down dépend de la valeur de l'information (modulée ici par la règle de priorité au carrefour) et des attentes liées à l'information (modulées ici par la densité de trafic au carrefour). Des prédictions quantitatives permettent ensuite de confronter les observations à un modèle optimal de l'allocation de l'attention. Les résultats mettent en évidence la présence d'une stratégie quasi-optimale, ainsi qu'une modulation importante des mouvements des yeux en fonction de la valeur de l'information (la règle de priorité). Le rôle des attentes, modulées par la densité de trafic durant l'étude en simulateur, semble mineur, tandis que le trafic attendu a un impact plus important sur les mouvements des yeux durant l'étude en situation réelle, ce qui pourrait être lié à un effet de l'aménagement et non directement de la densité de trafic. L'impact de la saillance visuelle et de l'effort est également discuté. Pour le second objectif, un modèle de prise de décision (Différentiation / Consolidation) est convoqué, stipulant que deux processus se suivent dans le temps pour aboutir à une décision : le processus de différentiation pour prendre une pré-décision, puis le processus de consolidation afin de la vérifier. La présence de l'un ou l'autre de ces processus est étudiée en fonction du moment de l'approche de carrefour, de la règle de priorité et de la décision finale de s'arrêter ou non. L'analyse des mouvements oculaires semble cohérent avec les prédictions émises sur l'exploration visuelle, la dynamique des processus de prise de décision et le changement de processus. Cependant, la position à laquelle le changement d'un processus à l'autre s'opère semble être plus proche du carrefour en situation réelle qu'en simulateur, ce qui pourrait s'expliquer par le danger réel et la visibilité plus restreinte en situation réelle. L'aspect dynamique est également discuté. La consistance des données issues de l'étude en situation réelle est plus contestable (grande variabilité et peu d'essais), mais apporte une validité externe aux observations faites également en simulateur, les deux études sont ainsi complémentaires. Enfin, une généralisation des modèles utilisés et de nos interprétations des données vers des applications est discutée, et nous concluons en proposant un modèle probabiliste bayésien qui permettrait de prédire la position du regard lors d'une situation multi-tâche et dynamique.