Nous considérons le problème du co-clustering des matrices binaires qui peuvent évoluer dans le temps et nous introduisons un modèle génératif pour le gérer. Le modèle proposé, appelé dynamic latent block model, étend le modèle des blocs latents binaire classique au cas dynamique. La modélisation de la dynamique en temps continu repose sur un processus de Poisson non homogène, avec une partition latente des intervalles de temps. Nous proposons d'utiliser l'algorithme SEM-Gibbs pour l'inférence du modèle. Abstract. We consider the problem of co-clustering binary matrices that may evolved along the time and we introduce a generative model to handle it. The proposed model, named dynamic latent block model, extend the classical binary latent block model to the dynamic case. The modeling of the dynamic in a continuous time relies on a non-homogeneous Poisson process, with a latent partition of time intervals. We proposed to use the SEM-Gibbs algorithm for model inference.