挖掘时间序列数据和不平衡数据是数据挖掘领域的两大研究难题,而不平衡时间序列分类问题同时包含了这两个研究难点,是综合性的研究热点。本文研究聚焦在类别不平衡中少数类和多数类内含类别数量都大于1的时间序列多分类问题,主要完成了以下几个工作:(1)将不平衡时间序列多分类问题作为问题整体进行研究将不平衡时间序列多分类问题作为问题整体进行研究,而不是拆解为时间序列分类问题、不平衡分类问题和多分类问题这三个子问题,重点探讨了不平衡时间序列多分类问题中多分类与不平衡之间的关系,为研究提供新的解决思路。(2)提出不平衡时间序列多分类联合训练模型框架结合金融领域中的不平衡时间序列多分类问题进行分析,形式化定义了相关概念和进行了问题描述,从“多分类产生不平衡”现象中产生“多分类解决不平衡”思路,提出“二分平衡”方法拆分多分类问题,建立了不平衡时间序列多分类联合训练模型框架:分别对少数类和多数类训练分类器,利用串行分类或并行分类,结合分类阈值的设计进行分类,有效处理了多分类下的不平衡问题。(3)建立基于串行分类的多分类联合训练模型分析和建立了串行分类下的多分类联合训练模型,明确了其中的流程框架和评价指标。以两种有代表性的时间序列分类方法作为多分类联合训练模型的通用候选分类器,深入学习了两种方法的基本原理,对应建立了基于LSTM模型的时间序列分类算法和基于DTW的KNN算法,并结合本文研究问题进行分析。(4)应用本文联合训练模型于金融领域将基于串行分类的多分类联合训练模型应用到金融领域作为案例分析,对实验数据进行详细特征分析,选取第三章研究的两个代表性算法作为多分类联合训练模型的算法和对比算法,进行三个不平衡金融数据的行为分类实验,验证了不平衡时间序列多分类联合训练模型框架的有效性。