L’épilepsie est un trouble neurologique causé par une activité neuronale anormale dans le cerveau. Environ 1% de la population mondiale en est affectée. De nombreuses manifestations motrices (incluant des convulsions, des modifications toniques, cloniques, hyperkinétiques) peuvent s‘observer et sont une source de handicap majeur pour les patients. La motivation de cette recherche est de développer des méthodes basées sur des techniques récentes d’apprentissage automatique pour fournir une analyse objective des vidéos de crises cliniques. Dans cette thèse, nous proposons trois contributions principales à l’analyse automatisée des vidéos de crises. Dans la première contribution, nous explorons des crises d’épilepsie hyperkinétiques en analysant les trajectoires du mouvement de la tête des patients. Les résultats fournissent une base pour étudier la corrélation entre le modifications spectrales de l’EEG et la fréquence des mouvements de la tête. Néanmoins, l’épilepsie n’est pas la seule cause qui donne lieu à des crises. Par exemple, les crises psychogènes non épileptiques (PNES) en font partie. Ce sont des événements ressemblant á une crise d’épilepsie (ES), mais sans les décharges électriques caractéristiques associées à l’épilepsie. Bien les distinguer est donc important pour un diagnostic précis et des traitements de suivi. Les signes cliniques ou sémiologiques, sont évalués par les neurologues, mais leur interprétation subjective est susceptible de variabilité inter-observateur. Par conséquent, il est urgent de créer un système automatisé pour analyser les vidéos de crises. Dans cette recherche, nous proposons deux autres contributions pour classer ES et PNES uniquement sur la base des vidéos. Notre deuxième contribution utilise des informations issues de l’apparence et de points clés du corps et du visage des patients. En introduisant aussi un mécanisme de distillation des connaissances, les performances du score F1 et la précision sont de 0,85 et 0,82. Puis sur la base de cette approche, nous menons une expérience parallèle pour distinguer ES avec émotion/non-émotion et dystonie/non-dystonie en fonction des composantes visage ou corps de la méthode. La validation LOSO donne des résultats satisfaisants, indiquant que notre modèle peut capturer des caractéristiques spatio-temporelles efficaces pour le visage et le corps pour l’analyse des crises. Dans notre troisième contribution, nous proposons un modèle en deux étapes qui est d’abord pré-entraîné sur de grandes vidéos contextuelles puis ce modèle est affiné pour la classification des types de crises. Le modèle est basé sur l’encodeur du modèle Transformer. Étant donné qu’il est coûteux d’obtenir de grandes bases de données étiquetés par des médecins, nous cherchons à exploiter des données volumineuses non étiquetées pour initialiser les poids du modèle, puis le modèle est affiné sur la tâche cible en aval. Ce modèle traite uniquement les caractéristiques d’apparence par contre il implique plus de cas que ceux de la première étude. Le score F1 et la précision de la validation LOSO sont de 0,82 et 0,75. Grâce aux résultats très encourageants de cette recherche, nous proposons une base pour une direction de recherche prometteuse dans le domaine de l’analyse vidéo automatisée des crises.