La clasificación de series temporales sigue siendo una tarea crítica en diversos ámbitos, que requiere modelos que capturen de manera efectiva tanto estructuras de recurrencia local como dependencias temporales globales. Presentamos un marco novedoso que transforma series temporales en representaciones de imágenes fusionando gráficos de recurrencia (RPs) con tanto Campos de Suma Angular Gramiana (GASFs) como Campos de Diferencia Angular Gramiana (GADFs). Esta fusión enriquece la codificación estructural de la dinámica temporal. Para garantizar un rendimiento óptimo, se emplea la Optimización Bayesiana para seleccionar automáticamente la resolución de imagen ideal, eliminando la necesidad de ajuste manual. A diferencia de los métodos anteriores que se basan en transformaciones individuales, nuestro enfoque concatena RP, GASF y GADF en una representación unificada y se generaliza a datos multivariados apilando canales de transformación a lo largo de las dimensiones del sensor. Experimentos en siete conjuntos de datos univariados muestran que nuestro método supera significativamente a clasificadores tradicionales como el vecino más cercano con Dynamic Time Warping, Transformada de Shapelet y redes neuronales convolucionales basadas en RP. Para tareas multivariadas, el modelo de fusión propuesto logra puntuaciones de macro F1 del 91.55% en el conjunto de datos de Reconocimiento de Actividad Humana de UCI y del 98.95% en el conjunto de datos de Estimación de Ocupación de Habitaciones de UCI, superando a los baselines estándar de aprendizaje profundo. Estos resultados demuestran la robustez y generalizabilidad de nuestro marco, estableciendo un nuevo punto de referencia para la clasificación de series temporales basada en imágenes a través de una fusión fundamentada y una optimización adaptativa.