当前是一个高度信息化的时代,数据在数量与维度上相较于以往都有了量级的飞跃。在大量的数据中,相当一部分都属于广义上的时间序列数据,即数据前后具有时间关系。对于时间序列的研究一直以来都是一项重要且具有挑战性的任务,随着时代的发展对于时间序列分析也从如气象数据预测、心电图分类等相对传统的研究,衍生出像文字翻译、情感分类等挑战性更强的分支领域。但随着技术的发展,更多有效的研究方法也陆续出现。在时间序列分类问题上,为了解决遇见的挑战,近年来已经有许多方法被提出。这些方法大多基于传统的机器学习技术,如决策树、支持向量机、随机森林等。然而,这些方法往往忽略了时间序列数据的时间相关性和趋势,从而导致模型性能不佳。最近,随着深度学习技术的发展,许多基于深度学习的时间序列分类方法也被提出,但可解释性差的弊端也日益凸显。本文归纳了对于时间序列分析的许多方法,从对时间序列分类可解释性与分类准确率两方面出发,构建了一个时间序列分类模型。该模型利用函数型数据分析和Shapelet方法对时间序列特征进行提取,再将提取出来的特征与原始数据合并,作为双向长短期记忆网络（Bidirectional Long Short-Term Memory Networks,Bi-LSTM）的输入,进行时间序列分类研究。本文使用了期货价格数据进行该模型效果的实证分析,并与其他现有的一些时间序列分类方法进行比较。本文的主要研究内容具体如下:（1）将期货价格预测利用涨跌幅值进行划分,从而将预测问题转换为分类问题。对于金融数据预测的研究,以往的研究常常对于未来走势的具体值进行逐一预测,这样的研究方式对于某些情况并不合适,本文通过这样的方式将目标更明确。（2）对时间序列数据特征进行提取。本文为考虑到模型的可解释性,采用了函数型数据分析和Shapelet方法对时间序列本身的全局特征以及具有区分性的局部特征进行了提取,得到了两种特征序列。函数型数据分析从样本角度出发,对每一条期货价格数据进行函数型主成分分析,将其全局特征抽象为很短的主成分得分数据向量;Shapelet方法从分类标签角度出发,对不同标签的数据所有片段进行分析,从中学习到有区分性的片段,作为此标签类型数据的局部特征。（3）使用Bi-LSTM对数据分类。使用包含时间序列全局特征和局部特征的数据进行分类。在模型构建上,使用Soft-max作为分类器,在训练中引入Dropout层,并采取了批量归一化、梯度裁剪和提前停止等方式来对过拟合的情况加以限制。本文构建的模型经过训练集训练后,在20%的测试集上精度为82%,加权平均召回率为82%,加权平均精确率为83%,加权平均F1得分为83%。（4）与其他时间序列分类模型对比。本文还使用了随机森林、CNN、Shapelet、LSTM和Bi-LSTM对原始的期货数据进行分类,得到分类结果后与本文构建的模型效果进行对比,发现本文构建的模型是在效果上优于其他模型,同时分类具有一定可解释性。