复杂系统由大量相互作用的非线性元素组成,现实生活中存在众多的复杂系统。很多复杂系统无法通过数学建模解析,如何研究此类复杂系统成为一个具有挑战性的科学问题。时间序列分析为解决该问题提供了有效途径,通过分析复杂系统的观测序列可以刻画其复杂行为。但随着系统复杂性的不断增加,观测时间序列由一元变为多元,如何融合多元时间序列信息揭示复杂系统内在特性是一个亟待解决的科学问题。复杂网络时间序列分析近几年得到了广泛的关注,其可融合多元测量信息研究复杂系统,为上述问题的解决提供了新思路。多相流是一种典型的非线性复杂系统,其中油水两相流广泛存在于石油工业中,两相流复杂流动行为以及流型转换机制尚未得到阐明,其难以通过数学建模进行解析分析。因此从两相流的多元测量信息获取与多元时间序列分析角度去研究其动力学机制变得非常重要。本文进行了垂直上升油水两相流实验,利用高速循环激励电导传感器获得不同流型下的多元测量信号。采用多元伪维格纳分布对多元测量信号进行时频分析,并构建了基于相位的复杂网络对油水两相流的流型转换机制进行研究,发现该方法可以有效地揭示流型演化过程中复杂的流动行为和内在动力学机制。在此基础上,提出时频多层复杂网络进一步研究油水泡状流的流动特性以及流型转换机制,从网络的宏观尺度,介观尺度以及微观尺度分析不同流型下的网络特性。结果发现宏观尺度网络指标可以很好地区分两种油水泡状流流型。介观尺度以及微观尺度的网络指标能够揭示在水包油泡状流向细小泡状流转换过程中,与油滴结构相关的局部流动特性。大脑是自然界中最为复杂的系统之一,难以通过数学建模对其进行解析分析,近年来由于疲劳驾驶造成的交通事故屡屡发生,但大脑的疲劳机制尚未清晰。因此获取疲劳驾驶过程中的脑电信号,并通过时间序列分析方法来检测和分析疲劳状态成为一个十分重要的课题。为此,本文设计疲劳驾驶脑电实验,获取30通道的脑电数据,用斯皮尔曼秩相关系数构建脑功能复杂网络,实现多元时间序列融合,对驾驶过程中大脑正常与疲劳状态进行辨识。进一步对在四个频带下的脑电信号进行建网研究,提取脑功能网络的平均聚集系数,发现正常和疲劳状态下的脑功能网络表现出不同的网络拓扑特性,尤其在Theta频带最为明显。