La classification des séries temporelles univariées (STU) a déjàété explorée dans de multiples publications , où des modèles, nombreux et efficaces, ont eté proposés. De tels modèles sont souvent inadéquats lorsqu'ils sont appliqués aux séries temporelles mul-tivariées (STM). Ce type de données aémergé avec la multiplication de capteurs capables d'enregistrer de grandes quantités de données simultanément. Ces données sont caractérisées par de nombreuses dimensions , des longueurs variables, du bruit et des corrélations entre les dimensions. La classification des STM est un problème complexe et peu de travaux existent actuellement. Dans ce papier, nous proposons un nouveau modèle qui combine l'utilisation de M-histogrammes et l'apprentissage multi-vues via un ensemble de classifieurs. Le M-histogramme est un outil statistique, utilisé pour la visualisation de données, et qui peut révéler l'information utile contenueà travers les dimensions. Il peut aussi permettre l'encodage des STM. Quantà l'apprentissage multi-vues, cela corres-pondà l'intégration de données comme ensemble d'at-tributs, ce qui est le cas des STM. Ce concept peut egalement apporter des informations complémentaires sur les données. Notre méthode combine ces deux concepts et permet un encodage des STM qui peutêtre meilleur que d'autres tels que Symbolic Aggregate approXimation (SAX), au regard des expérimentations que nous avons effectuées. Nous avons comparé notre méthode avec celles de l'état de l'art sur des données de référence, et avons discuté des propriétés de notre méthode. * Avec le soutien de Michelin et de l'ANRT Mots-clef : Série temporelle multivariée, Mgram, Classifieur ensembliste, Apprentissage multi-vues.