多变量时间序列广泛存在于不同的领域,如医学、金融和多媒体等等。多变量时间序列分类是多变量时间序列数据挖掘领域中一个活跃的研究问题。近年来,该问题引发了广泛的关注,并且应用于不同的领域。现有的多变量时间序列分类方法可以分为基于距离,基于特征和基于模型的方法。尽管这些方法可以取得一定的效果,它们并没有很有效地建模多变量时间序列的时序动态性。如何高效地建模时间序列的时序动态信息,仍然是一个具有挑战性的问题。为了解决以上问题,本文提出了面向时序动态信息建模的多变量时间序列分类方法,包括以下两方面的工作:1)时间序列的差分指相邻时刻数据的差值。差分信息反映了时间序列的动态演化,有利于建模时间序列的时序动态模式。因此,本文提出了一种差分指导的表示学习网络,通过多变量时间序列的动态演化信息来指导时间序列的表示学习。该模型由差分指导层和多尺度卷积层组成。首先,在差分指导层中,本文提出了差分门控长短期记忆网络来对时间序列的时序依赖性和动态演化信息进行建模,以获得原始序列和差分序列的特征表示。然后,将这两个表示作为多尺度卷积层的两个输入通道来进一步提取多尺度信息。实验表明,所提出的模型在18个基准数据集上优于现有较为先进的方法,并在2个基于骨骼节点的动作识别数据集上取得了与现有方法相当的结果,可视化分析也验证了模型的有效性。2)关于时间序列的时序动态信息,另一个重要的部分是如何建模时间序列的多尺度信息,即不同尺度的时序模式。本文提出了一种时间感知多尺度的循环神经网络,通过解耦不同尺度的表示,并在每个时间步为每个样本自适应地选择最重要的时序尺度,从而更好地建模时间序列的多尺度模式。具体来讲,首先,将循环神经网络的隐藏状态分解为多个独立更新的小隐藏状态,它们使用不同的更新频率来对时间序列的多尺度信息进行建模。然后,在每个时间步,使用时序上下文信息来调制不同尺度的特征,选择最重要的时序尺度。因此,针对不同的时间序列,所提出的模型均可以在每个时间步自适应地捕获多尺度信息,更好地建模时间序列的时序动态信息。实验表明,该模型在多变量时间序列分类任务上优于现有较为先进的方法。此外,音乐体裁识别数据集的可视化分析也验证了模型的有效性。