Работа посвящена решению актуальной задачи классификации многомерных временных рядов данных окулографии методом машинного обучения для диагностики дислексии. Дислексия распространенное заболевание, его имеет каждый десятый из популяции, и ранняя его диагностика позволяет предотвратить его последствия, а также улучшить качество жизни этих людей. Современные методы классификации данных окулографии позволяют добиться высокой точности диагностики данного заболевания, однако не используют сырые данные айтрекоров, представляющие из себя параметры перемещения глаз. В данной работе изучены сырые данные о положении глаз испытуемых шведского лонгитюдного проекта, исследовавшего дефекты чтения у детей, предложен метод k–NN с динамической трансформацией времени для классификации многомерных временных рядов окулографических данных, предложены метрики для оценки работы модели, подобраны оптимальные гиперпараметры, а также проанализированы ошибки построенного классификатора. / The graduate qualification work is dedicated to solving the current task of classifying multivariate time series oculographic data using machine learning methods for diagnosing dyslexia. Dyslexia is a widespread disorder, affecting one in ten individuals in the population, and early diagnosis can prevent its consequences and improve the quality of life for these individuals. Modern methods for classifying oculographic data achieve high diagnostic accuracy for this condition, but they do not utilize raw eye-tracking data, which includes parameters of eye movements. In this study, raw eye-tracking data from the Swedish longitudinal project investigating reading disabilities in children were analyzed. A k-NN method with dynamic time warping (DTW) was proposed for classifying multivariate time series oculographic data. Metrics for evaluating the model's performance were proposed, optimal hyperparameters were selected, and the errors of the constructed classifier were analyzed.