时间序列分类是一个具有广泛实际应用背景的研究方向。由于受到数据采集过程中设备、采样技术、采样环境等多重因素的影响,获得的原始时间序列数据作为简单的向量数据,呈现出无明确特征、维度高、类内变异复杂多样等特点。因此,作为时间序列分类算法研究的前提和基础,通常需要对原始数据进行重构。数据重构一方面可以减少算法实际需要处理的数据量来提高算法的运行效率,另一方面是希望能够通过更充分和明显的表达原始时间序列数据蕴含的本质信息来提高分类精度。然而,目前时间序列数据转换表示和分类算法研究存在三个方面的问题。首先,绝大多数特征学习模型都是基于训练数据,忽视了测试实例包含的特征信息,这导致特征的泛化性能和可解释性较弱;其次,用于重构数据的表示模型研究面临诸多挑战。例如,特征原型定义、特征生成、特征选择、特征相关性分析、数据转换方式等一系列问题;最后,与特征原型、重构数据相适应的分类算法设计的相关研究较为滞后。针对上述问题,本文在适用于不同时间序列数据类型的特征原型基础上,对时间序列的表示模型和分类算法进行了深入研究。本文的主要贡献如下:（1）提出了一种基于shapelet特征的懒惰式分类算法首先,针对目前基于时间序列shapelet的分类算法存在的候选shapelets集合规模巨大、针对性不强和忽略待分类实例局部特征信息的问题,提出了基于待分类实例子序列空间的候选shapelet选择策略。然后,为了提升shapelet的搜索效率和质量,提出了shapelet评价数据集的概念和相应的学习算法,为每个待分类实例建立针对性的鉴别性特征评估数据集,并用于最优shapelets搜索。最后,设计了一种融合了全局相似性和局部相似性的懒惰式分类算法。此外,为分析数据的特征分布和频率信息,提出了shapelet覆盖评分的概念用于时间序列各时间戳的鉴别性强弱度量。实验结果表明,所提算法具有较高的准确率和强可解释性。（2）提出了一种基于随机投影技术的shapelet词袋表示模型不同于传统的基于top-k shapelets的时间序列转换表示模型,首先,为建立能够更全面反映复杂多变时间序列局部特征信息的特征集合,提出一种基于随机投影技术的快速shapelet特征字典学习算法;然后,不同于简单的shapelet最小距离转换方式,提出了基于shapelet特征字典的shapelet词袋表示模型,该表示模型在数据转换过程中不仅考虑了shapelet和完整时间序列的局部匹配程度,还考虑了shapelet的频率信息。大量对比实验表明,和传统shapelet转换方法及多种基准分类模型相比,基于shapelet词袋表示模型重构的数据可以获得更优的分类性能。（3）提出了一种基于符号傅里叶近似的时间序列表示模型首先,针对目前基于符号傅里叶近似（Symbolic Fourier Approximation,SFA）的特征生成技术不能为不同长度滑动窗口动态设定最优傅里叶值个数的问题,提出了一种为不同长度滑动窗口学习最优单词长度的可变长度单词抽取方法;其次,基于tf-idf思想设计了一种新的特征鉴别性评价指标;最后,针对各分辨率条件下生成特征的鉴别性差异,提出了基于动态阈值的鉴别性特征字典构建算法,并给出了对应的基于鉴别性SFA特征的表示模型。实验结果表明,逻辑回归模型在基于tf-idf鉴别性SFA特征重构的时间序列数据上可以获得优异的分类性能。（4）提出了一种基于符号傅里叶近似的多分辨率集成分类算法首先,为减少基于SFA技术的单词长度学习过程的计算量,提出了一种基于傅里叶值鉴别性变化趋势的快速单词长度学习算法;其次,为利用生成单词间的相关性,提出了一种基于skip-bigram的共生单词生成模型;最后,为解决基于SFA和滑动窗口机制的时间序列符号化表示技术普遍存在的重构数据可能出现维度灾难的问题,设计了一种多分辨率集成分类机制。大量对比实验结果表明,和多种基于不同理论基础的分类算法相比,所提算法具有优异的性能表现。以上成果从提升数据质量、增强模型的可解释性等多个角度出发,展示了提出的表示方法和分类算法在数据特征信息挖掘和分类精度提升上的有效性,为高维复杂时间序列的实际应用和深入研究奠定了良好基础。