De nombreux phénomènes peuvent être observés et organisés sous forme d’une séquence d’observations sur une chronologie pouvant être modélisée sous forme de série chronologique. Un domaine pertinent exploré dans l’analyse des séries chronologiques est la découverte de modèles. Les modèles sont des sous-séquences de séries temporelles liées à certaines propriétés ou comportements particuliers. Un motif particulier qui apparaît un nombre important de fois dans une série chronologique est appelé motif. Plusieurs phénomènes importants d'une série temporelle présentent des comportements différents lorsqu'ils sont observés à des points de l'espace (par exemple, des séries collectées par des capteurs et l'IoT) et sont mieux modélisés sous forme de séries spatio-temporelles. Chaque série temporelle est associée à une position dans l'espace. Un modèle espace-temps est une séquence d’événements limités dans l’espace et dans le temps. Trouver des modèles fréquents et restreints dans l’espace et dans le temps peut nous permettre de comprendre comment un phénomène se produit. Plusieurs travaux ont été développés pour identifier des motifs dans des séries chronologiques. Cependant, aucune étude portant sur les techniques de données spatiotemporelles n’a été identifiée. Dans cette thèse, nous comparons différentes approches pour identifier des motifs dans des séries temporelles avec leurs principales différences. Nous proposons deux méthodes pour identifier automatiquement les motifs spatio-temporels restreints dans les séries spatio-temporelles, le CSA et le CSTMP. Nous comparons expérimentalement les méthodes proposées avec deux autres méthodes alternatives : la technique Matrix Profile et l’ensemble des techniques Matrix Profile et DBScan. Nos résultats montrent que CSA et CSTMP sont innovants 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.