La recherche de causalité vise à définir les relations de causes à effets entre différentes variables à partir de données. Cet apprentissage peut s'avérer difficile notamment lorsque les observations d'un système complexe sont incomplètes et que l'intégralité des causes d'un phénomène ne sont pas observées. A cette complexité, le cadre spécifique des séries temporelles ajoute la nécessité de considérer des structures de dépendance telles que l'auto-corrélation. Le travail présenté dans ce papier se concentre sur l'apprentissage d'un graphe causal à partir de données de séries temporelles issues d'un système complexe en présence de causes latentes. Dans ce cadre, nous proposons une méthode permettant d'identifier des liens entre les séries, qu'ils soient linéaires ou non-linéaires et possiblement décalés dans le temps, pour construire un graphe causal. Pour ce faire, nous combinons un algorithme de découverte causale et une mesure basée sur la théorie de l'information. L'approche est évaluée sur un jeu de données simulées issues de la littérature, démontrant sa pertinence dans une étude comparative.