Une nouvelle approche d'apprentissage séquentiel non supervisé de données fonctionnelles est proposée. Le but est d'extraire des formes de référence (appelées prototypes) à partie de réalisations bruitées, déformées et censurées de courbes et d'images. Le modèle proposé généralise le modèle à prototypes déformables Bayésien (Allassonnière et al., Bernoulli, 647{678, 16-3, 2010), un modèle hiérarchique dans lequel le prototype est une fonction qui doit être estimée et la déformation une nuisance, supposée aléatoire avec une distribution a priori connue.Les prototypes sont estimés en utilisant une version en ligne de l'algorithme EM, grâce à une extension des travaux de Cappé et Moulines (JRSSB, 593{613, 71, 2009). Réaliser l'estimation dans un cadre séquentiel est bien plus efficace que de traiter les données de façon groupée, notamment quand les données manquantes sont de grande dimension. Des illustrations numériques dans le domaine de l'appariement de courbes et de l'extraction de prototypes à partir d'images sont présentées pour souligner l'intérêt de la méthodologie.