La découverte de motifs est un problème fondamental en fouille de données. Les approches basées sur la programmation par contraintes (PPC) ont prouvé leur utilité et flexibilité. En effet, la PPC est un cadre adéquat pour la fouille déclarative. Les approches actuelles posent un problème de passage à l'échelle. Nous proposons, dans la première partie de cette thèse, une contrainte globale pour capturer la sémantique de l'extraction de motifs fréquents fermés. Nous présentons un algorithme de filtrage, qui maintient la consistance de domaine en un temps et espace polynomial. Servant de cadre applicatif à la fouille de données, le test logiciel est connu pour être un processus long et coûteux. La principale préoccupation, appelée localisation de fautes, est d'identifier l'origine des défaillances. Nous proposons, une approche déclarative, basée sur la fouille de données. L'approche tire profit de l'extraction de données sous contraintes, offrant la possibilité de raisonner simultanément sur des ensembles d'instructions. L'approche tient compte des dépendances existantes, ce qui reflète la notion de motif suspect.