En vue de la discrimination de classes de séries temporelles, ce papier propose l'apprentissage de couplages entre séries. Cette discrimination repose sur un nouveau critère de variance visant à maximiser la compacité des classes et leur séparabilité. Pour ce faire, les couplages appris tendent à lier les séries temporelles selon des caractéristiques, communes au sein des classes et différentielles entre les classes. L'idée principale de cet apprentissage consiste à renforcer ou à pénaliser les liens en fonction de leur contribution à la variabilité intra et inter classe. Pour cela, l'expression usuelle de la variance/covariance est étendue à des ensembles puis à des partitions de séries temporelles. Les expérimentations menées sur plusieurs jeux de données publics et simulés rendent compte de l'efficacité des couplages appris par rapport aux couplages standards pour la discrimination de séries temporelles. Mots-clés : Analyse de Données Temporelles, Couplages de séries temporelles, discrimination de séries temporelles, classification, variance/covariance.