时间序列分类（Time Series Classification,TSC）在实际生活、工业和医疗诊断等领域有着十分广泛的应用,建立有效的TSC模型是近年来学术研究的重点。传统TSC算法由于需要额外的专家经验和人工调整,使得算法设计过程繁琐,普适性较弱,而深度学习等方法由于较高的训练成本和设备需求,在实际应用中依然有着缺点。回声状态网络（Echo State Network,ESN）作为一种特殊结构的循环神经网络（Recurrent Neural Network,RNN）,其递归神经元是随机稀疏连接的,能够在较低的训练成本情况下以端对端的方式,通过快速简单的训练成有效的分类器。ESN模型利用其非线性储备池来捕获时间序列中丰富的动态特征,在时间序列预测和分类任务上展现了优越的性能。随着近年来ESN模型在TSC任务上的应用逐渐增多,如何建立高效的ESN分类模型也成为了众多研究者关注的热点。然而,在大多数ESN模型中,输入权重和储备池连接权重是随机产生的,储备池的结构也是随机初始化得到并伴随着难以理解的黑箱特性,而唯一需要训练的输出权重也十分容易受到离群值的影响,这就不能保证ESN网络在给定任务中始终是最优的。针对以上问题,本文主要从两个方面来提升传统ESN的性能并克服其存在的缺点,分别为ESN的隐层结构优化（储备池拓扑结构和储备池大小）和ESN的权重优化（输入、输出连接结构）。本文的主要研究成果如下:（1）本文针对ESN的储备池结构提出了基于小世界（Small World,SW）储备池偏置剪枝（Biased Dropout,BD）的回声状态网络（BD-SWESN）,首先,利用SW网络拓扑特性构造多个相互连接的集群来构造稳定的储备池结构,之后,根据储备池单元的激活值和神经元对整体模型性能的贡献度设置不同的剪枝概率,利用BD算法的冗余单元剪枝来获得更加高效且稀疏的ESN储备池结构。在合成数据集和15个UCR（University of California,Riverside）开源数据集上的实验结果表明,SWESN能够达到比传统ESN模型更好的性能,同时BD算法可以在提升网络性能的情况下进一步简化储备池结构。算法分析和可视化实验进一步证明了 SW和BD算法的有效性。（2）ESN初始化过程中输入权重是随机产生的,且输出权重的训练方式采用了最小二乘或者岭回归的方式,这样的训练方式使得模型不是最优且鲁棒性较差。本文提出了基于图正则化自编码（Graph Regularized Auto-encoder,GRAE）和鲁棒离群值（Outlier Robust Weight,ORW）的小世界回声状态网络（GRAE-ORW-SWESN）。首先GRAE算法利用流形正则化和AE框架,加强模型对局部模式特征的感知能力以生成能够捕获输入特征且稳定的输入权重;之后ORW算法通过引入训练误差来约束对噪声敏感的输出权重,以增强模型的鲁棒性。在真实轴承诊断数据集和15个UCR数据的实验证明,GRAE-ORW-SWESN的分类性能与其它先进的分类算法和深度学习算法有着较优的性能和更快的运算速度。算法分析和可视化验证进一步说明了算法的有效性。（3）构造同时优化隐层结构和权重的ESN模型能够克服ESN模型中广泛存在的缺点,同时可为模型引入高效的结构并带来更优的性能。在上述两个模型的基础上,本文最终建立了基于全局权重和隐层结构优化的融合回声状态网络（ESN with Global Optimization of Weights and Reservoir,GOWR-ESN）。GOWR-ESN在合理的初始化储备池结构的同时,解决了 ESN随机权重带来的特征损失的缺点,并将离群误差项引入到损失函数以增强模型的鲁棒性。在50个UCR数据集上的实验结果表明,GOWR-ESN算法能够与当前最先进的集成学习模型和深度学习模型达到在统计学意义上无显著差异的性能,但是有着更少的训练成本,更加具有现实意义。