时间序列分类(Time series classification,TSC)是数据挖掘中一个重要且具有挑战性的问题,该任务的本质是给指定的时间序列样本分配一个预定义的标签。目前国内外研究学者已经提出了一些时间序列分类方法,但由于时间序列数据本身具有的一些特性使得一些传统的方法在处理该问题上具有一定的难度。针对单变量时间序列分类问题,本文的主要工作为:(1)对时间序列分类的研究背景及意义进行了阐述,介绍时间序列数据挖掘,卷积神经网络和循环神经网络的相关知识与概念。(2)本文提出一种基于SE-Res Net的时间序列分类模型。在基于神经网络的方法中,基于Res Net的方法具有最深的网络结构,但该网络的准确性仍然有待提高。为了进一步提高该网络的准确性,本文将SENet网络的思想应用在Res Net网络中,提出一种基于SE-Res Net的分类方法。本方法在UCR基准数据集中的44个数据集中展开实验,与Res Net方法和其他现有的时间序列分类方法和进行对比。最后,使用类激活图对Coffee数据集进行可视化,为网络的分类过程提供可解释性。(3)本文提出一种基于CNN-LSTM的时间序列分类模型。目前一些传统的时间序列分类方法,过度依赖于序列间的相似性度量和人工特征选择,没有考虑到序列本身存在的次序性和不同时间尺度特征。本文通过多尺度卷积网络提取序列的不同时间尺度特征,通过LSTM网络提取序列间的时序依赖特征,然后将提取到的两种特征作为分类的依据。最后在UCR基准数据集中的15个数据集中进行实验,实验结果表明,本文提出的模型与其他传统的分类方法相比更具先进性。