复杂系统广泛存在于日常生活和科学研究中,包括金融系统、交通系统、社交网络等,这些系统的共性是无法通过数学解析方法进行精确描述,需要借助观测得到的多元时间序列为中介,间接地实现对复杂系统规律的把控。近年来,深度学习方法在图像分割、无人驾驶、机器翻译等领域取得了重大突破,其中,卷积神经网络通过权值共享和局部感受的结构设计,获得的强大分析处理能力为多元时间序列的研究提供了极大助力。本课题以气液两相流电导信号、脑电信号两种多元时间序列为研究对象,旨在构建结合时间、空间特征的卷积神经网络模型,提取高效、稳定的特征表达完成相关任务,本文主要工作如下:1)构建了一种多任务时间通道融合网络对气液两相流的流动参数进行测量。主要思路概括为:首先通过时间-通道卷积模块对电导信号的时间、空间特征进行针对性提取,然后利用多任务输出模块进行特征组合分析,获取流动参数输出。实验结果表明,该网络可以有效地进行特征提取、融合,在含气率测量中将MSE、MAE和MAPE的平均值降低到了0.00127、0.00637和2.43%。2)构建了一种分阶段密集连接网络,实现了精细化范围下双流动参数的测量。主要思路概括为:对1)中时间-通道卷积模块进行改进,增强了时间特征提取能力,使用改进后的模块进行特征提取,并在不同模块间添加便捷连接实现特征的充分利用;训练时分为两个阶段进行,通过引入流动结构信息来降低双流动参数测量的难度。实验结果表明,该网络在增加一种测量参数、精细化测量范围的前提下,仍保证了一定的精度,总流速、含气率测量的MSE值为0.0150、0.0014,MAPE为2.1%、5.5%。3)构建了一种双分辨率融合网络,对术后急性疼痛预测、驾驶疲劳状态辨识任务进行了研究。主要思路概括为:首先使用并行的、不同分辨率的卷积模块对脑电信号进行分析处理,得到相关特征表达,然后通过融合卷积输出部分实现不同分辨率特征的融合,利用Softmax激活函数得到类别输出。实验结果表明,该网络在两种不同的分类任务上均有较好的表现,分别取得了94.6%的术后急性疼痛预测结果和97.89%的驾驶疲劳状态辨识结果。