Tout phénomène peut être observé et organisé comme une séquence d'observations sur une ligne de temps qui peut être modélisée comme une série temporelle. Un domaine pertinent exploré dans l'analyse des séries temporelles est la découverte de modèles. Les modèles sont des sous-séquences de séries temporelles liées à des propriétés ou à des comportements particuliers. Un modèle particulier qui apparaît un nombre significatif de fois dans une série temporelle est appelé motif. Plusieurs phénomènes importants d'une série temporelle présentent des comportements différents lorsqu'ils sont observés à des points dans l'espace (par exemple, les séries collectées par des capteurs et l'IoT) et sont mieux modélisés en tant que séries spatio-temporelles. Chaque série temporelle est associée à une position dans l'espace. Un modèle spatio-temporel est une séquence d'événements limitée dans l'espace et le temps. Trouver des motifs fréquents et limités dans l'espace et le temps peut nous permettre de comprendre comment un phénomène se produit. Plusieurs travaux ont été développés pour identifier des motifs dans les séries temporelles. Cependant, les études portant sur les techniques de données spatio-temporelles n'ont pas été identifiées. Dans cette thèse, nous comparons différentes approches d'identification de motifs dans les séries temporelles avec leurs principales différences. Nous proposons deux méthodes pour identifier automatiquement les motifs restreints à l'espace-temps dans les séries spatio-temporelles, le CSA et le CSTMP. Nous comparons expérimentalement les méthodes proposées avec deux autres méthodes alternatives : la technique du profil matriciel et l'ensemble des techniques du profil matriciel et du DBScan. Nos résultats montrent que la CSA et la CSTMP sont innovantes et obtiennent des résultats qui surpassent les techniques de pointe pour les séries temporelles et leurs adaptations pour les séries spatio-temporelles, évaluées dans deux ensembles de données.