Buscar patrones característicos en series temporales es un tema abordado durante décadas por la comunidad de investigación. Las técnicas convencionales de coincidencia de subsecuencias generalmente se basan en la definición de un patrón de plantilla objetivo y un método de búsqueda para detectar patrones similares. Sin embargo, la variabilidad intrínseca de las series temporales introduce cambios en los patrones, ya sea morfológica o temporalmente, lo que hace que dichas técnicas no sean tan precisas como se desea. Con la intención de mejorar el rendimiento de la segmentación, en este documento, propusimos una Red Neuronal (NN) basada en máscaras que es capaz de extraer patrones de interés deseados de series temporales largas, sin utilizar ninguna plantilla predefinida. La NN propuesta ha sido validada, junto con un algoritmo de coincidencia de subsecuencias, en dos conjuntos de datos: clínico (electrocardiograma) y actividad humana (sensores inerciales). Además, la reducida dimensión de los datos en el último conjunto de datos llevó a la aplicación de técnicas de aprendizaje por transferencia y aumento de datos para alcanzar la convergencia del modelo. Los resultados han mostrado que el modelo propuesto logró mejores rendimientos de segmentación que el modelo base, en ambos dominios, alcanzando puntajes promedio de Precisión y Recall del 99.0% y 97.5% (dominio clínico), junto con 77.0% y 71.4% (dominio de actividad humana), presentando las Redes Neuronales y el Aprendizaje por Transferencia como alternativas prometedoras para la búsqueda de patrones en series temporales.