随着现代社会传感技术的发展以及大规模数据收集和存储能力的提高,来自各行各业的时间序列数据得以被记录,这为时间序列的分析与应用研究提供了基础条件。然而,现实中的时间序列数据往往存在数据量高、信噪比低、时效性强等特点,这也使得针对时间序列数据的研究仍然存在诸多待解决问题。近些年来,人工智能研究得到了突飞猛进的发展,机器学习作为人工智能的一个重要领域,在时间序列分析与建模方面展现出了强有力的优势,使得基于机器学习的时间序列分析与应用成为研究热点。以现有研究为基础,本文主要工作如下:（1）针对模糊认知图的构造、学习及其在时间序列的预测应用三方面,本研究提出了相应的解决方案。具体包括:1)提出一种基于极坐标模糊信息粒的模糊认知图构造方法,可以有效对时间序列各时段的趋势和波动信息进行建模,有助于探究不同时间序列模式之间的转移机制;2)为解决大规模模糊认知图的学习问题,提出一种结构化稀疏的学习方法,可以在保证模糊认知图的结构稀疏性和抗噪性的同时提升模型的数据拟合能力;3)将图神经网络技术与模糊认知图结合,提出一类新型的多变量时间序列预测模型,在充分挖掘多维时间序列数据中蕴含的时空关系基础上,有效提升了多变量时间序列预测性能。（2）为解决时间序列概念漂移的无监督检测问题,提出一种基于经验模态分解与熵的概念漂移检测算法。在利用经验模态分解对原始数据进行预处理的基础上,将分解后的时间序列转换为熵序列,可以保留原始时间序列趋势的同时,减少噪声以及不确定因素的干扰。在此基础上,一种统计过程控制方法被设计用来监测熵信息的变化从而能够及时确定概念漂移的发生并减少误报。（3）为解决多维时间序列异常检测问题,提出一种基于时空对比学习的异常检测模型。利用图注意力网络来提取多维时间序列的时空特征,进而通过对比学习获取特征表示在隐空间中可分辨性。该方法采用隐空间中特征表示的比较以实施异常检测,避免重构或预测特征,从而缓解模型本身引入的潜在误差,提升了时间序列异常检测性能。