Les données temporelles sont omniprésentes dans divers domaines scientifiques. La classification précoce des séries temporelles, qui vise à prédire le label de classe d'une série temporelle aussi tôt et aussi précisément que possible, constitue une tâche importante mais difficile dans de nombreuses applications sensibles au temps. Les approches existantes s'appuient principalement sur des règles d'arrêt heuristiques pour extraire des signaux d'arrêt à partir des résultats de classification des séries temporelles. Toutefois, ces règles heuristiques ne permettent de détecter que des signaux d'arrêt évidents, ce qui conduit ces méthodes à produire soit des prédictions correctes mais tardives, soit des prédictions précoces mais incorrectes. Pour résoudre ce problème, nous proposons un nouveau réseau de confiance du second ordre pour la classification précoce des séries temporelles, capable d'apprendre automatiquement à capturer des signaux d'arrêt implicites présents dans les premières étapes des séries temporelles dans un cadre unifié. Le modèle proposé exploite des modèles de réseaux de neurones profonds afin de capturer les motifs temporels et produit une confiance du second ordre afin de refléter ces signaux d'arrêt implicites. Plus précisément, notre modèle exploite non seulement les données provenant d'un instant donné, mais également la séquence de probabilités pour détecter les signaux d'arrêt. En combinant les signaux d'arrêt provenant de la sortie du classificateur et de la confiance du second ordre, nous concevons un déclencheur plus robuste afin de décider si l'on doit ou non demander des observations supplémentaires à partir des étapes futures. Les résultats expérimentaux montrent que notre approche atteint des performances supérieures à celles des méthodes de pointe dans la classification précoce des séries temporelles.