De par l'émergence de séries temporelles massives dans de multiples domaines, l'extraction et la classification dans ces séries de signaux d'intérêt sont d'importants sujets de data mining. Dans ce contexte, nous proposons la classification de motifs extraits du signal par seuillage à l'aide d'un écart-type glissant. Nous proposons des méthodes de classification basées sur les mesures de distance Dynamic Time Warping (DTW), MPdist et area-based shape, et sur les algorithmes de classification k-Means et hiérarchique. Leurs performances sont évaluées sur des signaux simulés de surveillance radiologique environnementale. Nos méthodes sont illustrées sur des signaux réels.