Le suivi des groupes d’utilisateurs ou communautés dans les réseaux sociaux dynamiques a suscité l’intérêt de plusieurs chercheurs. Plusieurs méthodes ont été proposées pour mener à bien ce processus. Dans les méthodes existantes, pour suivre une communauté dans le temps, une approche de comparaison séquentielle des communautés en termes de noeuds est effectuée. Ces comparaisons des communautés sont faites par le biais des mesures de similarités basées soit sur le Coefficient de Jaccard, soit sur un Coefficient de Jaccard modifié. Cependant, suivre une communauté donnée à partir de ces mesures de similarités pourrait au terme de sa durée de vie conduire à une communauté qui n’a aucun noeud en commun avec la communauté initialement observée. De plus, l’usage de ces mesures de similarité pourrait également limiter la détection des changements ou transitions possibles que subirait une communauté dans le temps. Par ailleurs, parmi les méthodes existantes, très peu d’auteurs se sont intéressés à l’étude de l’évolution de la structure des communautés dans le temps. L’objet de ce mémoire est principalement basé sur la question de suivi des communautés et de détection des changements ou des transitions que pourrait subir une communauté dans le temps. Par ailleurs nous présentons une ébauche des perspectives futures au travail élaboré dans ce mémoire à savoir l’analyse de l’évolution de la structure des communautés dans le temps. La contribution majeure présentée dans le chapitre deux de ce mémoire est liée à une nouvelle approche permettant de modéliser et suivre les communautés. Dans notre modèle, nous construisons premièrement une matrice qui dénombre le nombre de noeuds partagés par deux communautés. Chaque ligne de cette matrice est par la suite utilisée pour représenter les noeuds partagés par une communauté et toutes les autres communautés détectées dans le temps. Cette représentation nous permet d’avoir une traçabilité de la communauté à comparer. Par la suite, nous proposons une nouvelle mesure de similarité appelée « transition mutuelle » pour effectuer le suivi et la détection des changements dans les réseaux dynamiques. Dans le dernier chapitre, nous présentons une ébauche de nos futurs travaux. Dans ce chapitre, nous tentons de prédire la structure que pourrait prendre une communauté à un instant inconnu. Pour mener à bien cette opération, nous utilisons un modèle supervisé deux-tiers. Dans le premier tiers, encore vu comme étape d’apprentissage, on extrait des caractéristiques ou variables explicatives liées aux différentes communautés. Comme caractéristiques nous observons entre deux instants le nombre de noeuds qui joint, quitte et reste dans une communauté. Ces caractéristiques extraites sur deux instants distincts sont projetées dans un nouvel espace orthonormé. Cette projection dans un nouvel espace permet de se rassurer que les nouvelles variables sont indépendantes. Une transition étant définie entre deux instants, nous utilisons la variation des nouvelles variables explicatives pour définir chacun des phénomènes comme des classes. Dans le deuxième tiers, nous utilisons le modèle de machine à support de vecteurs (SVM) pour analyser l’évolution de la structure d’une communauté dans le temps. Une série de tests sur des données réelles a été effectuée pour évaluer les approches proposées dans ce mémoire.