De grands volumes de données sont aujourd'hui produits par différents capteurs qui mesurent, généralement, plusieurs variables au cours du temps. Ces informations peuvent être organisées sous forme de séries temporelles multivariées. Recueillir suffisamment d'échantillons étiquetés, pour mettre en place une analyse d'apprentissage automatique supervisée pour ce type de données, est quasiment impossible. Dans ce contexte, les méthodes de clustering semisupervisé représentent un outil particulièrement adapté pour exploiter au mieux la quantité réduite de connaissances à disposition. Dans le but d'améliorer l'analyse de séries temporelles multivariées dans ce contexte, nous proposons une approche de clustering semi-supervisé (sous contrainte) de séries temporelles basée sur des méthodes d'apprentissage profond utilisant des contraintes de type must- et cannot-link comme forme de supervision faible. L'évaluation expérimentale de cette méthode sur différents jeux de données a mis en évidence la plus value de notre proposition.