Cet article présente une méthode de classification de séries temporelle qui sélectionne des représentations alternatives (telles que les dérivées, les intégrales cumulatives, le spectre de puissance) et en extrait des descripteurs informatifs. L'approche proposée est décomposée en trois étapes : i) les séries temporelles originales sont transformées en plusieurs représentations stockées sous forme de données relationnelles ; ii) ensuite, une méthode de propositionalisation est appliquée pour “aplatir” les données relationnelles et en extraire des descripteurs ; (iii) enfin, un classificateur Bayésien est appris à partir des descripteurs résultants. Les étapes précédentes sont répétées par un algorithme de sélection de type “forward / backward” pour trouver le sous-ensemble de représentations le plus informatif. L'approche proposée s'avère très compétitive par rapport aux méthodes de l'état de l'art, et extrait des descripteurs interprétables.