时间序列分析是非线性动力学领域的重要分支之一,有着重要的理论和应用价值。近十年来,随着复杂网络研究的异军突起,利用从时间序列构造复杂网络,然后再通过网络分析来研究时间序列对应的动力学系统的方法引起了关注。本文首先综述了现有的通过构造复杂网络来分析时间序列的代表性工作,主要包括以下三种构造网络的方法：（1）从准周期时间序列构造网络,代表性的是Zhang等人的工作[19]。这一方法主要是针对准周期时间序列,通过构造网络可以很容易地把噪声周期时间序列和混沌洛斯勒时间序列区别开来。（2）可视图和水平可视图方法,代表性的是L. Lacasa等人的工作[22]。这种方法原则上适用于任何时间序列。通过构造网络,周期时间序列转化成了规则网络,随机时间序列转化成了度分布为指数形式的网络,分形时间序列被转化成了度分布为幂律形式的无标度网。不同的动力学系统的性质可以在网络中很明显地体现出来。（3）相空间重构法,代表性的是Xu等人的工作[37]。这种方法是通过相空间重构来生成网络,因而可以较好地从网络中反映动力学系统的性质。本文从相空间重构的特性出发,对文献[37]中的方法进行了改进：对任一时间序列,首先对其进行相空间重构；将相空间的矢量看成网络的节点,然后让每个节点和其相空间M（10≤M≤30）个最近邻相连接,这样就在近邻数限制的条件下形成了一个网络。接下来我们从网络的宏观统计性质,如度分布、集团系数、平均最短路径、介数等；以及网络局域的拓扑结构,即网络模块,两个方面入手研究网络的性质。通过对典型的时间序列,如周期时间序列、混沌映像时间序列、高斯白噪声时间序列和分数布朗运动时间序列等,进行大量的数值模拟,我们发现改进后的方法能够使构造出的网络从宏观和微观两方面都反映出时间序列动力学系统的特性,从而既可以从网络的统计性质上,又可以从网络的局域结构模块性质上对上述时间序列进行区分。本文工作深化了时间序列网络分析法,同时也具有一定的应用意义。