Les avancées significatives qu’ont connu les technologies de capteurs, leur utilisation croissante ainsi que leur intégration dans un système d'information permettent d'obtenir une description temporelle riche d’un environnement réel. L’information générée par de telles sources de données peut être qualifiée d’hétérogène sur plusieurs plans : types de mesures physiques, domaines et primitives temporelles, modèles de données etc. Dans ce contexte, l’application de méthodes de fouille de motifs constitue une opportunité pour la découverte de relations temporelles non-triviales décrivant des phénomènes complexes, directement utilisables et facilement interprétables. Nous proposons d’utiliser un ensemble d’abstractions temporelles pour construire une représentation unifiée, sous forme de flux d’intervalles (ou états), de l’information générée par un système hétérogène. Cette approche permet d'obtenir une description temporelle de l'environnent étudié à travers des attributs (ou états), dits de haut niveau, pouvant être utilisés dans la construction des motifs temporelles. A partir de cette représentation, nous nous intéressons à la découverte de dépendances temporelles quantitatives (avec information de délais) entre plusieurs flux d'intervalles. Nous introduisons un modèle de dépendances temporelles (Complex Temporal Dependency - CTD) inspiré du formalisme utilisé pour la description des formes normales conjonctives. Ce modèle permets d'exprimer un ensemble riche de relations temporelles, pour qui nous proposons des algorithmes efficaces de découverte.  Finalement, nous évaluons les performances de notre proposition ainsi que la qualité des résultats obtenus sur des données synthétiques et sur des données réelles collectées à partir de caméras et d’analyse vidéo.