La classification automatique de textes est une tâche adressée notamment par des ap-proches statistiques à base de réseaux de neurones et de machines à vecteurs de support. Si ces approches permettent de réaliser de bons classifieurs au sens des mesures de classification, elles ne permettent pas de bénéficier de règles décrivant les décisions de classification. Or ces descriptions sont primordiales pour les experts démunis face aux grandes quantités de textes à analyser et traiter. Dans ce contexte, une approche à base de règles d'association a déjà été pro-posée par Bing Liu. Nous proposons dans cet article d'étendre cette approche par l'utilisation des motifs séquentiels avec la méthode SPaC (Sequential Patterns for Classification). La prise en compte de l'ordre des mots permet de représenter la succession de l'apparition des termes ou des concepts dans les textes. Des expérimentations, menées sur des ensembles de textes en français et anglais, montrent l'intérêt de la méthode proposée. La prise en compte de l'ordre des mots par les motifs séquentiels mène toujours à de meilleurs résultats que les méthodes basées sur les règles d'association.