La classification des données séquentielles longues constitue une tâche fondamentale en apprentissage automatique et apparaît dans de nombreux scénarios d’application. Les réseaux de neurones récurrents (RNN), les Transformers et les réseaux de neurones convolutifs (CNN) sont trois approches majeures pour l’apprentissage à partir de données séquentielles. Parmi celles-ci, les réseaux de neurones convolutifs temporels (TCN), qui sont scalables à des séquences très longues, ont connu des progrès remarquables dans la régression sur séries temporelles. Toutefois, leurs performances en classification de séquences restent insatisfaisantes, en raison de leur protocole de connexion asymétrique et du fait qu’ils ne produisent des prédictions de classe qu’à la dernière position. Cette asymétrie limite leur efficacité dans les tâches de classification, qui dépendent de l’information globale de la séquence. Dans ce travail, nous proposons une architecture symétrique à plusieurs échelles, nommée Circular Dilated Convolutional Neural Network (CDIL-CNN), dans laquelle chaque position a une chance égale de recevoir des informations provenant des autres positions au niveau des couches précédentes. Notre modèle fournit des logits de classification à toutes les positions, et nous pouvons appliquer une simple méthode d’apprentissage par ensemble pour obtenir une décision améliorée. Nous avons évalué CDIL-CNN sur diverses bases de données séquentielles longues. Les résultats expérimentaux montrent que notre méthode surpasser de manière significative de nombreuses approches de pointe.