時系列解析は、時間の経過に沿って順序付けられた数値の列を分析することに注目するデータサイエンスの分野である。時系列データは、プロセスの時間的変化を視覚化し、理解する可能性を提供するため、特に注目されている。その分析により、データ内に存在するトレンド、関係性、および類似性を明らかにすることができる。時系列形式のデータを含む分野は多岐にわたり、医療（心電図、血糖値など）、行動認識、リモートセンシング、金融（株価）、産業（センサー）などがある。時系列分類とは、時系列データを自動的にラベル付けするためのアルゴリズムを構築することを目的とする。時系列データの順序性を考慮する必要があるため、従来の表形式データ向けに設計された汎用機械学習モデルでは、その時間的性質を十分に活かすことができず、タスクに対する最適な性能を発揮しづらい。このような状況において、近年、深層学習は特にコンピュータビジョン分野において、教師あり分類タスクに対処する最も効果的な手法の一つとして注目されている。本研究の主な目的は、時系列データの分類に特化して設計された深層ニューラルネットワークの研究と開発であった。これにより、既存の深層学習手法を大規模な実験を通じて比較し、非深層学習に基づく最先端手法との位置づけを明らかにする初めての包括的な実験的研究を実施した。さらに、転移学習、データ拡張、アンサンブル、敵対的攻撃といった分野においても多数の貢献を行った。最後に、グーグル社が開発した有名なInceptionネットワークを基盤とした、現在までに最も効率的なアーキテクチャの一つを提案した。