В статье рассмотрены проблемы классификации временных рядов с аномалиями. Данная задача важна тем, что при наличии аномалий классификатор может делать неверный прогноз, результаты которого могут быть критичны в определенных сферах. Проблема рассмотрена для ряда задач бинарной классификации из популярного набора данных UCR. Решение проблемы при помощи повышения робастности (регуляризации) предложено для одного из наиболее популярных алгоритмов классификации: алгоритм леса временных рядов, активно использующийся в данный момент за счет таких своих преимуществ, как интерпретируемость и невысокие потребляемые ресурсы. Данный подход позволяет получить устойчивый к аномалиям классификатор, при прогнозе которого на данных с аномалиями модель теряет в точности классификации не более 1%.