Los datos de series temporales son un tema de estudio atractivo en la minería de datos y tienen una amplia gama de aplicaciones. Se han empleado muchos enfoques para abordar los desafíos de clasificación de series temporales (TSC) con resultados prometedores, entre los cuales los métodos de redes neuronales profundas se han vuelto convencionales. Las Redes de Estado Echo (ESN) y las Redes Neuronales Convolucionales (CNN) se utilizan comúnmente como métodos de redes neuronales profundas en la investigación de TSC. Sin embargo, las ESN y las CNN solo pueden extraer relaciones de dependencias locales de las series temporales, lo que resulta en que la dependencia temporal de datos a largo plazo sea más difícil de capturar. Como resultado, se propone una arquitectura de codificador y decodificador llamada LA-ESN para tareas de TSC. En LA-ESN, el codificador está compuesto por ESN, que se utiliza para obtener la representación matricial de la serie temporal. Mientras tanto, el decodificador consiste en una CNN unidimensional (1D CNN), una red de memoria a largo y corto plazo (LSTM) y un mecanismo de atención (AM), que puede extraer información local y dependencias globales de la representación. Finalmente, se realizaron muchos estudios experimentales comparativos en 128 conjuntos de datos univariantes de diferentes dominios, y se utilizaron tres métricas de evaluación, incluyendo precisión de clasificación, error medio y rango medio, para evaluar el rendimiento. En comparación con otros enfoques, LA-ESN produjo buenos resultados.