La clasificación de series temporales de alta dimensión es un problema serio. Una medida de similitud basada en la distancia es uno de los métodos para la clasificación de series temporales. Este artículo propone un método de clasificación de series temporales univariantes basado en el aprendizaje métrico (ML-UTSC), que utiliza una matriz de Mahalanobis en el aprendizaje métrico para calcular la distancia local entre series temporales multivariantes y combina la alineación dinámica de tiempo (DTW) y la clasificación por el vecino más cercano para lograr la clasificación final. En este método, las características de la serie temporal univariante se presentan como datos de series temporales multivariantes con un valor medio, varianza y pendiente. A continuación, se obtiene una matriz de Mahalanobis tridimensional basada en el aprendizaje métrico en los datos. La serie temporal se divide en segmentos de intervalos iguales para permitir que la matriz de Mahalanobis describa con mayor precisión las características de los datos de la serie temporal. En comparación con el método de medición más efectivo, los resultados experimentales relacionados muestran que nuestro algoritmo propuesto tiene una tasa de error de clasificación más baja en la mayoría de los conjuntos de datos de prueba.