La définition et l'étude d'un processus opérationnel dans un contexte industriel se heurte généralement à l'analyse d'ensemble de données complexes et volumineuses. L'environnement associé à ce processus évoluant constamment au cours du temps, on va constater de manière inévitable l'apparition de différences entre ce qui était attendu – le modèle – et ce qui est réellement observé – les faits. Plus inquiétant, certains comportements peuvent être masqués dans la masse des données. Il faut alors être en mesure de déceler ces différences et, le cas échéant, de mettre à jour le modèle utilisé. Un apport combiné des techniques d'extraction de la connaissance (ECD) et de méthodes issues de l'ingénierie de la connaissance permet de répondre à ce besoin. Dans cette thèse, nous avons envisagé la découverte de règles d'association pertinentes. À partir d'un ensemble de données, on est capable d'extraire un ensemble de motifs décrivant les particularités « locales » des données. Cependant, l'étude de ces résultats d'extraction se révèle souvent laborieuse, de part la complexité des motifs manipulés et de part le manque d'outils qui permettraient de faciliter leur analyse. Dans un premier temps, nous avons étudié une généralisation des approches pour la génération de règles d'association non redondantes. Cela nous a permis de travailler à partir d'ensembles concis, ne contenant pas de redondance intrinsèque. Puis nous avons proposé la mise en place d'un processus de découverte de connaissance qui intègre la définition et l'exploitation d'un réseau bayésien pour faciliter l'analyse de règles extraites. L'évolution de ce modèle est facilitée par la découverte de règles pertinentes, elles-mêmes rendues plus accessibles grâce à l'évolution du modèle. Nous avons également défini le rôle et l'importance de l'expert au sein de ce processus. Enfin, nous avons montré l'application de nos propositions au domaine des interruptions opérationnelles dans l'industrie aéronautique.