时间序列数据是指具有时序特征的特殊数据对象。一组序列是根据特定的时间间隔,进行一系列采样得到的数据。时间序列数据来源广泛,还具有数据量大、数据维度高、数据结构复杂等特点,这类数据与其他数据相比研究难度更大,也面临着更多的挑战。传统的时间序列特征提取方法通常需要人为设计特征,效率不高且有可能使特征丢失。近年来,基于深度学习的特征提取取得了优秀的成果,通过模型训练能够有效的提取特征,进而实现时间序列的预测、分类、聚类等任务。本文在时间卷积网络（TCN）的基础上,首先提出一种带有注意力机制的时间卷积网络,组合因果卷积、空洞卷积、残差连接以及双层注意力机制,通过跳层连接实现对抽象程度不同的特征的提取。在实验中,通过分类任务验证了模型对一维时间序列的特征提取能力。进一步的,针对更复杂的多维时间序列数据,提出一种基于多特征融合的时间卷积网络,考虑到不同变量之间的区别与联系,方法首先单独提取多维时间序列每一个子变量的特征,再利用新颖的注意力机制特征融合方法整合特征,算法的整体过程设计为一个统一的端到端模型。与目前先进的算法相比,本文方法在多个公开数据集上具有更高的分类准确度。最后,将本文方法应用于基于声发射数据的车轴故障检测问题,对比改进前的时间卷积网络,本文方法检测准确率更高,证明了算法对车轴的故障识别能力。本文利用时间卷积神经网络可并行计算、参数共享以及高效的时序记忆能力等优点,通过引入注意力机制等改进方法,增强了时间卷积网络对序列数据的感知和识别能力,提高了模型的性能。