Les réseaux sont partout : réseaux sociaux, systèmes de transport, interactions biologiques. Pour les comprendre, on cherche souvent à y identifier des communautés --- c'est-à-dire des groupes d'éléments fortement connectés entre eux. Mais ces réseaux évoluent au cours du temps, et les interactions qu'on y observe prennent des formes variées : certaines sont instantanées, d'autres ont une durée propre, d'autres encore introduisent un délai entre leur émission et leur réception. Détecter les communautés qui se forment, se transforment et se dissolvent 
à partir de données aussi variées reste un défi --- que les méthodes existantes traitent généralement en transformant les données, en discrétisant le temps et en uniformisant les types d'interactions, au prix de l'information même que l'analyse cherche à saisir.

Cette thèse propose une nouvelle approche qui identifie des communautés dynamiques en déterminant précisément les instants où chaque membre les rejoint ou les quitte, sans aucun découpage temporel artificiel. Elle repose sur une nouvelle mesure mathématique, la Modularité Longitudinale, et sur un algorithme efficace pour l'optimiser. Conçue pour préserver les caractéristiques originales des données --- instants exacts, poids, directions, hétérogénéité des nœuds, diversité temporelle des interactions --- l'approche évite les transformations réductrices qu'imposent les méthodes conventionnelles.
Si l'éventail des propriétés prises en charge ne prétend pas à l'exhaustivité, le traitement de chacune est éprouvé sur des données réelles issues d'interactions sociales, de systèmes de vote, de mobilité urbaine et de plateformes sociales en ligne, ouvrant de nouvelles perspectives pour l'analyse de la dynamique des systèmes complexes.