La fouille de données ou data mining peut être un processus extrêmement complexe dans lequel le data miner doit assembler dans un flux de travail un nombre d'opérateurs de traitement des données et d'analyse afin d'accomplir sa tâche. Afin de supporter le data miner dans la modélisation de son processus de découverte de connaissances, nous proposons un nouveau cadre de travail que nous appelons meta-mining ou méta-apprentissage orienté processus et qui étend de manière significative l'état de l'art dans les approches de méta-apprentissage et celles dites de planification de flux de travail de data mining. Nous analysons l'ensemble du processus de découverte de connaissances afin de construire des méta-modèles qui tiennent à la fois compte des spécificités des jeux de données et des flux de travail, où chaque paire est associée à une mesure de performance telle que celle pour la classification. Les méta-modèles sont construits en combinant d'une nouvelle manière plusieurs technologies et en concevant de nouveaux algorithmes; nous combinons la fouille de données sur des structures complexes, les flux de travail, en présence de con- naissances du domaine, et nous concevons des techniques de planifications aussi bien que des algorithmes d'apprentissage de distance ainsi que de préférence définis sur des espaces hétérogènes. Le système de planification que nous proposons est le premier à notre connaissance pouvant construire des flux de travail de data mining dont la performance attendue sur un problème donné est maximum. Finalement, notre cadre de travail peut aussi s'appliquer à tout autre problème de recommandation comprenant des informations supplémentaires sur les utilisateurs et les objets afin de résoudre le problème du démarrage à froid.