Les oscillations hautes fréquences et les pointes épileptiques interictales sont des biomarqueurs fiables et précis pour localiser la zone épileptogène en cas d’exploration électroencéphalographique intracrânienne. Elles ont aussi un impact profond pour comprendre le mécanisme de l’épilepsie. Ainsi, la détermination des attributs discriminants permettant de caractériser et de catégoriser ces biomarqueurs est une étape déterminante dans le processus de la localisation de ladite zone. Dans un tel contexte, deux contributions sont proposées dans ce travail de thèse. La première est basée sur un apprentissage automatique et plus particulièrement sur la combinaison de caractéristiques extraites de la représentation temps-fréquence et de celles extraites de l’image temps-fréquence binarisée associée. La deuxième approche consiste à exploiter des réseaux de neurones convolutifs pour l’extraction automatique des caractéristiques discriminantes à partir des images temps-fréquence. Dans ce contexte, pour enrichir notre base de données, nous avons considéré la technique d'augmentation de données. Les résultats de classification obtenus sur des données réelles et bruitées montrent l’efficacité et la robustesse de nos approches vis-à-vis des approches issues de la littérature.