Le clustering est une des méthodes issues de l'apprentissage non-supervisé qui vise à partitionner un ensemble de données en différents groupes homogènes au sens d’un critère de similarité. Les données de chaque groupe partagent alors des caractéristiques communes. DyClee est un classifieur qui réalise une classification à partir de données numériques arrivant en flux continu et qui propose un mécanisme d’adaptation pour mettre à jour cette classification, réalisant ainsi un clustering dynamique en accord avec les évolutions du système ou procédé suivi. Néanmoins la seule prise en compte des attributs numériques ne permet pas d’appréhender tous les champs d’application. Dans cet objectif de généralisation, cette thèse propose d’une part une extension aux données catégorielles, d’autre part une extension aux données mixtes. Une approche de clustering hiérarchique sont également proposées afin d’assister les experts! dans l’interprétation des clusters obtenus et dans la validation des partitions générées. L'algorithme présenté, appelé DyClee-M, peut être appliqué dans divers domaines applicatifs. Dans le cas de cette thèse, il est utilisé dans le domaine du diagnostic automobile.