Les séries temporelles multivariées (MTS) apparaissent lorsque plusieurs capteurs interconnectés enregistrent des données au fil du temps. La gestion de ces données à haute dimension pose un défi pour chaque classifieur, au moins sous deux aspects : Premièrement, une MTS n'est pas seulement caractérisée par les valeurs individuelles des caractéristiques, mais aussi par l'interaction entre les caractéristiques dans différentes dimensions. Deuxièmement, cela ajoute généralement de grandes quantités de données non pertinentes et de bruit. Nous présentons notre nouveau classifieur MTS, WEASEL+MUSE, qui répond à ces deux défis. WEASEL+MUSE construit un vecteur de caractéristiques multivariées en utilisant d'abord une approche à fenêtre glissante appliquée à chaque dimension de la MTS, puis extrait des caractéristiques discrètes par fenêtre et par dimension. Le vecteur de caractéristiques est ensuite soumis à une sélection de caractéristiques, éliminant celles qui ne sont pas discriminantes, avant d'être analysé par un classifieur d'apprentissage automatique. L'originalité de WEASEL+MUSE réside dans sa méthode spécifique d'extraction et de filtrage des caractéristiques multivariées des MTS en intégrant des informations contextuelles dans chaque caractéristique. Malgré tout, l'ensemble de caractéristiques résultant est petit mais très discriminant et utile pour la classification des MTS. Sur la base d'un benchmark populaire comprenant 20 jeux de données MTS, nous avons constaté que WEASEL+MUSE fait partie des classifieurs les plus précis lorsqu'il est comparé aux méthodes actuelles. La robustesse exceptionnelle de WEASEL+MUSE est également confirmée sur des données de reconnaissance de gestes moteurs, où il a atteint des précisions similaires à celles des méthodes spécifiques au domaine sans aucune adaptation préalable.