La transformada wavelet es una herramienta de multi-resolución bien conocida para analizar series temporales en el dominio tiempo-frecuencia. La base wavelet es diversa pero predefinida manualmente sin tener en cuenta los datos. Por lo tanto, es un gran desafío seleccionar una base wavelet apropiada para separar los componentes de baja y alta frecuencia para la tarea en cuestión. Inspirado en el esquema de lifting en la wavelet de segunda generación, el actualizador y el predictor se aprenden directamente de la serie temporal para separar los componentes de baja y alta frecuencia de la serie temporal. Se propone una red neuronal wavelet multi-escala adaptativa (AMSW-NN) para la clasificación de series temporales en este artículo. Primero, se obtienen descomposiciones de frecuencia candidatas mediante una red neuronal convolucional multi-escala junto con una red neuronal convolucional de profundidad. Luego, se utiliza un selector para elegir la descomposición de frecuencia óptima entre las candidatas. Por último, la descomposición de frecuencia óptima se alimenta a una red de clasificación para predecir la etiqueta. Se realiza un experimento exhaustivo en el archivo UCR. Los resultados demuestran que, en comparación con la transformada wavelet clásica, AMSW-NN podría mejorar el rendimiento basado en diferentes redes de clasificación.