Les phénomènes transitoires astronomiques comptent parmi les événements les plus énergétiques de l'univers. Afin de percer leurs secrets, des télescopes de plus en plus performants ont été construits pour effectuer des relevés du ciel à grande échelle. Le futur observatoire Vera-C.-Rubin représente l'état de l'art d'une nouvelle génération de tels relevés. Il devrait détecter environ 10 millions de potentiels phénomènes transitoires chaque nuit, et produire une courbe de lumière pour chacun d'entre eux. Compte tenu de ce volume de données sans précédent, l'utilisation de méthodes d'apprentissage automatique pour les analyser est devenu inévitable. Cependant, la performance de la machine est limitée par la qualité des données à partir desquelles elle apprend. C'est pourquoi l'une des étapes les plus cruciales du processus réside dans l'extraction des caractéristiques des courbes de lumière. Idéalement, elle devrait encoder de manière optimale le comportement de l'objet tout en restant interprétable, de sorte qu'elle puisse être utilisée par des experts du domaine. L'objectif de cette thèse est de permettre l'extraction de caractéristiques informatives à partir de courbes de lumière multidimensionnelles. Ce manuscrit présente une série de méthodes conçues pour améliorer les procédures d'extraction de caractéristiques, offrant à la fois un ajustement de courbes contraint par la physique et une modélisation déduite des données. Le procédé Rainbow a été développé pour permettre l'ajustement simultané de courbes de lumière dans toutes les longueurs d'onde sur la base d'hypothèses physiques, générant un espace des paramètres plus informatif. Cette méthode permet à l'expert de sélectionner les modèles paramétriques les mieux adaptés aux spécificités de son domaine. Afin de guider ce choix, je propose la Régression Symbolique Multi-Vues (MvSR). Il s'agit d'une méthode basée sur les données, permettant la construction automatiquement d'un modèle paramétrique à partir d'un ensemble d'exemples. Elle offre à l'expert la possibilité d'élaborer des fonctions analytiques sur mesure. L'applicabilité de MvSR s'étend au-delà de l'astronomie et a été appliquée avec succès à diverses sciences. Enfin, les deux procédés sont combinés au sein d'un pipeline de classification adaptatif, qui prend en compte les propriétés individuelles de chaque courbe de lumière afin de choisir la description paramétrique la plus appropriée. Les résultats montrent que les caractéristiques extraites sont hautement informatives, ce qui permet la séparation de types de phénomènes transitoires pourtant similaires, même tôt dans leur évolution. Toutes les méthodes proposées dans cette thèse contribuent à une vision interdisciplinaire de l'astronomie moderne, dans laquelle les experts du domaine et les scientifiques des données collaborent pour construire des outils efficaces qui profitent à l'ensemble de la communauté.