时序数据是指在一定时间范围内以给定采样频率对某些事物或现象进行观测所记录的数据,时序数据分类对这些数据所描述的事物或现象的状态进行判断,在设备故障诊断、人类活动识别、医疗辅助诊断等领域应用范围广泛。随着物联网技术的发展,不同应用领域内多种多样的时序数据呈爆发式增长,各种应用对分类性能的要求越来越高,传统的以特征相似性判定为核心的时序数据分类方法无法满足相应要求。随着人工智能技术的发展,与深度学习相结合的分析方法为提高时序数据分类性能提供了新的思路。与计算机视觉、自然语言处理和语音识别等深度学习通常处理的数据不同,时序数据与具体的应用领域紧密相关,因此需要开展时序数据特征表示方法、时序数据分类方法和时序数据增强方法的研究。针对现有时序数据特征表示方法依赖相关领域的先验知识和具体的应用场景,具有一定局限性,在时序数据分类上性能不佳的问题。基于相对位置矩阵的时序数据特征表示方法利用时序数据上任意两个时间戳对应元素之间的相对位置,通过构建相对位置矩阵将原始一维时序数据转换成二维图像。转换后的图像保留了原始时序数据的模式和特征,具有较高的类内相似度和较低的类间相似度,有助于后续的深度学习分类模型更加容易地学习特征和类别之间的映射。性能分析结果表明在UCR（University of California Riverside）时序数据标准数据集上,使用相同的深度学习网络模型,该方法比同类型特征表示方法GAF-MTF（Gramian Angular Field-Markov Transition Field）和RP（Recurrence Plot）的分类性能（平均错误率）分别提高了7.4%和6.9%。相对位置矩阵特征表示方法将一维时序数据转换为图像,分类性能的提升以更多的内存消耗和运行时间为代价,并且有些时序数据经过特征表示后原始模式和特征可能被破坏。基于多尺度注意力卷积神经网络的时序数据分类模型采用端到端的模式,通过多尺度卷积获得包含时序数据短期、中期和长期依赖关系的多尺度特征图,建立注意力机制重新调整多尺度特征图的权重,根据权重大小选择性地关注重要信息并忽略不重要的信息,并在迭代学习的过程中不断增强有用的特征图同时抑制不太有用的特征图。该方法有助于提高分类模型的识别能力和泛化性能,性能分析结果表明在UCR时序数据标准数据集上,该方法在分类性能（平均错误率）上比已有的深度学习网络模型只进行参数调整的方法提高了2.9%,并且在单个数据集上最多提高了16.6%。时序数据常常来源不同应用领域,对样本的标注需要经验丰富的领域专家,使得高质量样本数据的获取更加困难。基于逐步改进生成对抗网络的数据增强方法通过生成高质量的伪造样本对原始时序数据集进行扩充来丰富训练集,从而提高现有基于深度学习的分类方法在有限样本时序数据上的分类性能。该方法设计了适用于时序数据的生成器和判别器结构,利用时序数据趋势信息提取方法生成的趋势样本进行分段式训练,先学习原始时序数据的主要趋势分布,后学习原始时序数据的次要细节分布,训练过程中采取梯度惩罚的方式执行Lipschitz约束来逼近原始时序数据的分布,使得生成器具备拟合原始时序数据的能力,在保留原始时序数据的趋势的同时提高生成样本的多样性和训练过程的稳定性。性能分析结果表明在有限样本的UCR时序数据标准数据集上,基于该方法扩充训练集后,FCN（Fully Convolutional Network）,Res Net（Residual Network）和MACNN（Multi-scale Attention Convolutional Neural Network）的分类性能（平均错误率）分别提高了1.9%,1.5%和0.8%,并且在单个数据集上最多分别提高了5.5%,3.4%和3.4%。