Recientemente, algunos investigadores adoptaron la red neuronal convolucional (CNN) para la clasificación de series temporales (TSC) y han logrado un mejor rendimiento que la mayoría de los métodos hechos a mano en el archivo de la Universidad de California, Riverside (UCR). El secreto del éxito de la CNN es el uso compartido de pesos, que es robusto ante la traslación global de las series temporales. Sin embargo, la invariancia a la traslación global no es el único caso considerado para TSC. La distorsión temporal es otro fenómeno común además de la traslación global en las series temporales. Los cambios de escala y fase debido a la distorsión temporal presentan desafíos significativos para TSC, que están fuera del alcance de las CNN convencionales. En este documento, se propone una arquitectura de CNN con un mecanismo de coincidencia elástica, llamado Convolutional Neural Network (EM-CNN), para abordar este desafío. En comparación con la CNN convencional, EM-CNN permite el desplazamiento local en el tiempo entre las series temporales y los núcleos convolucionales, y se explota una matriz de coincidencia para aprender la alineación no lineal entre las series temporales y los núcleos convolucionales de la CNN. Varios modelos EM-CNN se proponen en este documento basados en diversos modelos de CNN. Los resultados para 85 conjuntos de datos de UCR demuestran que el mecanismo de coincidencia elástica mejora efectivamente el rendimiento de la CNN.