随着社会经济的日益发展,在日常生产生活中产生了大量的多变量时间序列数据。由于多变量时间序列数据长度可变、变量维度高、变量耦合并且时间依赖长。因此,对多变量时间序列分类研究极具挑战性。近年来,为更好地表征多变量时间序列和寻求分类性能的突破,不断有学者提出新的方案来解决多变量时间序列分类中存在的各种挑战,并取得了骄人的成绩。然而,这些方法仍然不能很好地刻画多变量时间序列的内在特征,从而无法获得更好的分类性能。由于目前对多变量时间序列分类的研究工作还不是很多,对上述问题的研究仍处于探索阶段。针对上述问题,本文在前人研究基础上,针对在多变量时间序列分类中存在的各种问题进行展开全面而详细地探究。本文开展多变量时间序列分类探究具有重要的基础理论意义和科学探索价值。本文的主要研究工作为:（1）针对多变量时间序列可变长度、变量维数高和各变量关联性复杂等特性,提出一种基于KL散度的稀疏逆协方差多变量时间序列分类方法（KLD-SICT）。首先采用PCA对高维度变量进行降维处理,在满足剩余信息保留量下,极大减少了变量数。利用高斯图模型参数来表征多变量时间序列,解决序列长度可变性的问题。为能够发现和捕捉各变量间隐藏关联性,应用交替方向乘子法（ADMM）计算稀疏逆协方差矩阵,并能有效阻止模型过度拟合。最后,计算高斯图模型之间的KL散度,以此构造模型分类器对多变量时间序列数据进行分类。在多个数据集上的实验表明,KLDSICT显著优于基线方法,验证了KLD-SICT的有效性,且通过降维操作,显著降低了模型时间复杂度。（2）针对多变量时间序列数据变量耦合并且时间依赖长的问题,提出一种新颖的基于FCN和注意双向GRU的多变量时间序列分类方法（MFCN-BiGRU）。在空间维度上,通过多个卷积块获取各通道间的相互作用,并引入压缩和激励模块,突显关键特征通道。在时间维度上,利用双向GRU捕捉序列双向时间依赖,添加注意力机制来强调关键区域特征。最后,利用门控融合空间和时间维度特征,对多变量时间序列端到端分类。在多个数据集上的大量实验表明,MFCN-BiGRU显著优于基线方法,充分证明了MFCN-BiGRU的高效性。各模块的消融研究表明,通过各部分相互协作,显著提高模型整体性能。（3）针对多变量时间序列各变量间隐藏复杂依赖关系的表征和突出问题,提出一种新颖的基于时空图卷积网络的多变量时间序列分类方法（MSTGCN）。MSTGCN利用图结构来表征变量间隐藏的相关性,通过自适应图结构学习方式来显式对变量间的相关性进行建模。利用时空图卷积综合提取多变量时间序列数据的全局时空特征信息。使用时空注意力机制从原始多变量时间序列数据中自动提取每个通道具有重要价值的时空信息。在多个数据集上与各种基线方法结果对比表明,利用图结构对变量间相关性进行建模的有效性。通过消融研究表明,MSTGCN自适图结构学习方法能有效学习变量间复杂的依赖关系,验证了该方法的有效性。