L’analyse de séries temporelles est un domaine de la science des données s’intéressant à l’analyse de suites de valeurs numériques ordonnées dans le temps. Les séries temporelles sont particulièrement intéressantes car elles permettent de visualiser et de comprendre l’évolution d’un processus au fil du temps. Leur analyse peut révéler des tendances, des relations et des similarités au sein des données. De nombreux domaines génèrent des données sous forme de séries temporelles : santé (électrocardiogrammes, glycémie, etc.), reconnaissance d’activités, télédétection, finance (cours boursiers), industrie (capteurs), etc. La classification de séries temporelles consiste à concevoir des algorithmes capables d’étiqueter automatiquement ces données. Le caractère séquentiel des séries temporelles impose le développement d’algorithmes capables d’exploiter cette propriété temporelle, rendant ainsi les modèles d’apprentissage automatique classiques, conçus pour des données tabulaires, peu adaptés à la résolution de ces tâches. À cet égard, l’apprentissage profond s’est imposé ces dernières années comme l’une des méthodes les plus efficaces pour traiter la classification supervisée, notamment dans le domaine de la vision par ordinateur. L’objectif principal de cette thèse était d’étudier et de développer des réseaux de neurones profonds spécifiquement conçus pour la classification de séries temporelles. Nous avons ainsi mené la première étude expérimentale à grande échelle permettant de comparer les méthodes profondes existantes et de les positionner par rapport aux méthodes d’état de l’art non basées sur l’apprentissage profond. Par la suite, nous avons apporté de nombreuses contributions dans ce domaine, notamment dans les contextes de transfert d’apprentissage, d’augmentation de données, d’ensemblage et d’attaques adverses. Enfin, nous avons également proposé une nouvelle architecture, inspirée du célèbre réseau Inception (Google), qui se classe parmi les plus efficaces à ce jour.