Dans le domaine de l’extraction de motifs, il existe un grand nombre d’algorithmes pour résoudre une large variété de sous problèmes sensiblement identiques. Cette variété d’algorithmes freine l’adoption des techniques d’extraction de motifs pour l’analyse de données. Dans cette thèse, nous proposons un formalisme qui permet de capturer une large gamme de problèmes d’extraction de motifs. Pour démontrer la généralité de ce formalisme, nous l’utilisons pour décrire trois problèmes d’extraction de motifs : le problème d’extraction d’itemsets fréquents fermés, le problème d’extraction de graphes relationnels fermés ou le problème d’extraction d’itemsets graduels fermés. Ce formalisme nous permet de construire ParaMiner, un algorithme générique et parallèle pour les problèmes d’extraction de motifs. ParaMiner est capable de résoudre tous les problèmes d’extraction de motifs qui peuvent être décrits dans notre formalisme. Pour obtenir de bonnes performances, nous avons généralisé plusieurs optimisations proposées par la communauté dans le cadre de problèmes spécifiques d’extraction de motifs. Nous avons également exploité la puissance de calcul disponible dans les architectures parallèles. Nos expériences démontrent qu’en dépit de la généralité de ParaMiner, ses performances sont comparables à celles obtenues par les algorithmes les plus rapides de l’état de l’art. Ces algorithmes bénéficient pourtant d’un avantage important, puisqu’ils incorporent de nombreuses optimisations spécifiques au sous problème d’extraction de motifs qu’ils résolvent.