时间序列是对动态系统随时间顺序采集到的有序观测值集合,通常具有高维、异质和含噪声等特点。观测值之间在时序上可能存在或长或短的依赖关系,构成特定的时序动态模式,因而不同于一般的向量数据。对于时间序列这样的结构化对象,关键研究问题是(1)如何获得反映动态模式的精简低维表示,使得学习器能够利用具有动态行为的序列数据,(2)如何定义具有判别性的距离度量方式,使得类内距离小而类间距离大。本文提出基于模型空间的时间序列分类方法。该方法为每个时间序列学习函数模型,在函数模型集合张成的空间(称为模型空间)中度量原始数据的距离。最后,分类算法在该空间中进行。本文对模型空间的生成机制及其在不平衡序列数据分类中的应用进行了研究,提出对模型的表示性,分类性和模型复杂度项进行优化生成模型空间,并分析了多个目标之间的关系。考虑到多目标之间的不一致带来的优化困难,采用多目标非支配排序演化算法对三个目标同时进行优化。针对分布不平衡的时间序列分类,基于核学习提出一种核特征空间中的过采样学习算法。本文的主要贡献如下:1.本文提出一种多目标学习方法,同时为时间序列优化精简函数表示、距离度量和模型复杂度。和优化单个目标得到的模型相比,本文方法学习得到的模型表示具有更好的时间序列分类准确度和预测精度。2.作为缓解不平衡分类问题的重要方法之一,传统的过采样方法不能适用于具有时序依赖关系、多变量和变长特性的时间序列。本文提出基于核学习获得时间序列模型的非线性距离度量,并在中心化核特征空间进行过采样的方法。原来线性不可分的数据在非线性的核特征空间中更有可能线性可分,满足了在已有过采样方法中常常被忽视的线性可分假设,所以产生的样本点更符合小类数据的分布,不容易过拟合。3.在标准数据集和人造数据集上的时间序列分类实验表明,本文提出的方法具有更好的分类准确度和鲁棒性。