近年来,随着信息技术的发展,时间序列的应用越来越广泛,如灾害监测、安全分析、金融商业等领域都包含海量带有时间属性的数据。这些数据具有规模大、类型多等特征,蕴藏着巨大的价值。因此,如何对时间序列进行精确分类,是流式数据事件分析和数据挖掘的基础,也是数据流领域研究的重点和难点。时间序列数据是按某一给定采样频率,对某一过程进行监测得到的一段实值数据波形,随时间戳变化连续记录,不受系统环境等因素影响。时间序列数据不仅有常规数据的数值要素,还有时间要素。现有的时间序列分类方法主要有基于符号化聚合方法、基于时间域距离方法、基于Shapelet分类方法和卷积神经网络分类方法。这些方法多没有完整保留其时序性,分类时损失特征,分类准确性低。因此,针对现有方法的不足,本文提出一种基于Gram矩阵的时间序列分类方法,该方法将时间序列无损转化为时间域图像,并提出改进的卷积神经网络T-CNN对时间域图像分类,具体研究内容如下:首先,时间序列在采集过程中不可避免会携带一定程度的正态背景噪声,Gram矩阵转化的时间域图像呈同样正态分布。因此,引入基于适应性小波阈值去噪法,滤除时间序列中携带的正态背景噪声。对去噪后的时间序列归一化处理,基于Gram矩阵将时间序列无损地转换为时间域图像,保留其时序性,提高分类准确性。其次,将生成的时间域图像输入到卷积神经网络中分类,传统的卷积神经网络卷积层计算卷积核需要不断按给定步长移动、迭代得到卷积结果。本文基于Toeplitz矩阵对卷积核进行构建,得到Toeplitz卷积核,Toeplitz卷积核和待卷积时间域图像计算矩阵的乘积,得到和传统卷积计算相同的结果,替代传统卷积计算,降低时间复杂度。再次,在卷积神经网络的全连接层,引入triplet网络思想,计算时间序列中同类别之间和不同类别之间的差异函数,在CNN模型的平方损失函数中加入以上两种差异函数,得到triplet损失函数,进而提出T-CNN分类模型,提高卷积神经网络分类准确性。最后,在多个真实数据集上进行实验验证,并与四种现有时间序列分类方法做对比实验。实验结果表明,本文提出的方法具有更好的分类效率和更高的分类准确性。