针对时间序列识别的难点，介绍了一种被称为动态时间规整神经网络（DTW-NN）的新颖的时间序列识别模型，DTW-NN是一种利用动态时间规整（DTW）的弹性匹配能力来将层的输入与权值动态对齐的前馈神经网络。通过这种方式，DTW-NN能够解决时间序列识别的困难，例如在前馈结构中的时间失真和可变模式长度。结合在4个不同的数据集上的实验，证明了DTW-NN的有效性：在线手写字符、基于加速度计的活跃的日常生活活动、阿拉伯数字口语的Mel频率倒谱系数（MFCC）和叶形的一维质心半径序列。通过在这些数据集上获得的结果，证明了该方法是一种有效的时间模式学习的通用方法。