Dans un contexte où les pressions anthropiques n'ont pas cessé d'augmenter depuis la fin du 18ème siècle, il est primordial de disposer d'outils de bio-indication robustes. Ces derniers nous permettent de suivre l'évolution de l'état de santé des écosystèmes lacustres français sous l'impulsion de l'Union européenne, par l'intermédiaire de la Directive Cadre Européenne sur l'Eau (DCE, 2000). Le présent travail s'insère dans la continuité des développements d'un indice multi-métrique pour l'évaluation de l'état écologique des plans d'eau en ce qui concerne le compartiment phytoplancton. Dans ce rapport, nous expliquons les modifications que nous avons apportées à la base de données « phytoplancton » d'Aix-en-Provence. Puis nous montrons comment il est possible d'utiliser des modèles de « machine learning » pour résoudre diverses problématiques : séparation de la base de données en groupes géographiques, extraction de seuils physico-chimiques et essais d'élaboration d'une nouvelle métrique. Nous avons mis en évidence qu'il était possible de diviser notre base de données modifiée en quatre groupes typologiques via la méthode des « k-means ». Une refonte de la méthode des « Gradient Forest » nous a permis d'extraire des seuils physico-chimiques dans chacun de ces quatre groupes. De plus, nous avons montré que les modèles « Random Forest » pouvaient être une bonne alternative aux méthodes classiques, pour le développement d'une métrique de bio-indication ou de diagnostic. Dans ce cadre-là, nous pensons que ces méthodes innovantes d'intelligence artificielle peuvent être un atout de taille dans l'aide au développement d'indices de bio-indication lacustres. Ces outils de diagnostic sont indissociables de la protection des écosystèmes aquatiques, étant donné qu'ils permettent de rendre compte des pressions anthropiques subies par ces systèmes aquatiques complexes.