Muitos fenômenos podem ser observados e organizados como uma sequência de observações em uma linha do tempo que pode ser modelada como uma série temporal. Uma área relevante que está sendo explorada na análise de séries temporais é a de descoberta de padrões. Padrões são subsequências de séries temporais relacionadas a algumas propriedades ou comportamentos especiais. Um padrão particular que ocorre um número significativo de vezes em séries temporais é denominado motif. Vários fenômenos importantes de uma série temporal apresentam comportamentos diferentes quando observados em pontos do espaço (por exemplo, séries coletadas por sensores e IoT) e são melhor modelados como séries espaço-temporais, em que cada série temporal é associada a uma posição no espaço. Um padrão espaço-temporal é uma sequência de eventos que são limitados no espaço e no tempo. Encontrar padrões que são frequentes e restritos em um espaço e tempo pode nos permitir compreender como um fenômeno ocorre. Diversos trabalhos foram desenvolvidos com o objetivo de identificar motifs em séries temporais, entretanto não foram identificados trabalhos que abordassem técnicas para dados espaço-temporais. Nesta tese comparamos diferentes abordagens de identificação de motifs em séries temporais com suas principais diferenças. Propomos dois métodos para a identificação automática de motifs restritos no espaço-tempo em séries espaço-temporais, o CSA e o CSTMP. Comparamos experimentalmente os métodos propostos com dois outros métodos alternativos: a técnica Matrix Profile e a combinação da técnica Matrix Profile e DBScan. Nossos resultados mostram que CSA e o CSTMP são inovadores e obtém resultados superiores as técnicas estado da arte para séries temporais e suas adaptações para séries espaço-temporais, sendo avaliados em dois datasets.