时间序列以不同形式广泛存在于气象、医学、工业、经济等多个领域，对其进行数据挖掘可获得大量有价值的信息，蕴藏巨大的经济效益和社会效益，因此吸引了大批科研人员致力于时间序列分析方向的研究。但近些年随着研究的不断深入及应用领域的不断拓展，传统的时间序列分析方法存在的局限性和不足等问题也逐渐凸显。因此，需要借助全新且有效的分析工具，深层次挖掘隐含在时间序列中的重要信息，解决复杂应用中面临的挑战性难题。为此，本论文采用近些年兴起且发展迅猛的深度学习技术，并从时间序列的图像转换角度研究解决复杂的脑电信号分类和空气质量指数预测难题。论文研究取得的创新成果如下：
　　1.提出了一种基于灰度递归图和深度卷积网络的癫痫脑电信号分类算法。该方法的基本思想是将一维时间序列变换为二维灰度递归图，然后借助深度卷积网络强大的自动特征提取及分类能力，实现一维时间序列高准确率分类。算法做了以下优化处理：首先，采用灰度递归图相比传统的二值递归图，保留了更完整的时间序列动力学信息。其次，采用分类性能优良的DenseNet网络作为主干网络。最后，对长时间序列做了合理的切分处理。在公共的Andrzejak数据集上的测试结果表明，本文方法对不同类别组合的脑电信号均达到了100%识别率。
　　2.提出了一种基于网格化指数图和CNN网络的空气质量预测算法。该方法首先将区域进行合理的网格划分得到区域空气质量指数图，在此基础上融合远中近期历史时段演变信息预测未来空气质量变化，经对比实验优选出残差网络作为模型的骨干网络。区域网格划分是从空间域角度对空气质量监测站点的地理位置进行图形编码。不同时刻的网格化指数图是从时间域角度对区域空气质量变化进行时间编码。由于算法全面综合考虑了区域空气质量指数变化的时空关联性，因此其预测精度优于现有的预测算法，尤其在中长期预测方面优势更明显。
　　3.提出了一种融合路网图和多元气象信息的区域细粒度空气质量估计算法。该算法中使用路网图反映本地污染源对区域空气质量的影响，使用多元气象数据反映空气污染物传播对区域空气质量的影响。本文估计算法首先利用LSTM网络将多元气象数据进行整合，随后将整合的多元气象图与路网图融合后输入至密集连接卷积网络，实现区域细粒度空气质量估计。通过对北京地区空气质量进行估计测试，结果表明本文算法的估计精度优于最新的U-Air和ADAIN方法。