La découverte de motifs suscite un intérêt croissant dans le domaine de l'analyse des données fonctionnelles. Les motifs fonctionnels sont des « formes » typiques qui se répètent plusieurs fois dans différentes parties d'une même courbe et/ou dans des parties non alignées de plusieurs courbes. Nous définissons les motifs fonctionnels à l'aide d'un modèle additif et proposons funBIalign pour leur découverte et leur évaluation. FunBIalign est une procédure en plusieurs étapes inspirée du biclustering qui utilise un regroupement hiérarchique agglomératif avec liaison complète et une distance fonctionnelle basée sur les scores de résidus quadratiques moyens pour découvrir des motifs fonctionnels, à la fois dans une seule courbe (par exemple, une série chronologique) et dans un ensemble de courbes. Nous utilisons funBIalign dans deux études de cas réels concernant l'inflation des prix des denrées alimentaires et les changements de température. Enfin, nous étendons funBIalign à un scénario plus complexe, celui de la découverte de motifs fonctionnels invariants en amplitude, c'est-à-dire des motifs composés de parties de courbes partageant la même forme mais ayant des amplitudes différentes.