近年来,智慧城市的大力推动以及物联网技术的日益成熟,催生了大量的时序数据。时序数据分类作为时序数据挖掘中的前沿问题之一,一直备受研究人员的关注。而且现在随着传感器的种类和数量增多,时序数据的数据量和复杂性也随之提高,使得时序数据分类成为一项更具挑战性的任务。目前主流的时序数据分类方法主要分成两类:传统方法和深度学习方法。传统方法容易受领域知识的限制,不太适合当下的时序数据分类任务。而基于深度学习的方法能实现时序特征的自动提取且获得了较高的分类准确率。当下高特征高频时序数据复杂多样,而当前主流的基于CNN的深度学习方法不擅于提取长时间依赖性。因此针对基于深度学习的时序数据分类方法中存在的问题和潜在的改善空间,以Dense Net为深度学习骨架,从EEG时序数据分类、一般性时序数据分类两个方面展开了研究。针对EEG时序数据多特征、非稳定和低信噪比等特点,提出了基于EEG时频图的多卷积核Dense Net分类方法。该方法首先利用连续小波变换将EEG信号转换成时频图,时频图具备了EEG信号的时频位置特征、空间相关性和多分辨率属性。然后,将Inception多卷积核的思想融入Dense Net中,多尺度地提取EEG时频图中与EEG时序数据分类任务相关的动态时频特征以及电极位置相关性。在真实EEG数据上的实验结果表明,该方法能有效地提升EEG时序数据分类的准确率。针对CNN提取长期时间依赖性不足和不够轻量级的问题,提出了基于GAF（Gramian Angular Field）和MTF（Markov Transition Field）的自适应空洞Dense Net分类方法。首先利用GAF和MTF将时间序列转化为GM-images以保留原始时序数据的时序依赖性和动态转移统计信息。接着自适应特征融合算法通过加权融合自动地从GAF和MTF表示中提取了时序数据的静态和动态信息。然后所设计的Dila-Dense块既能保护时序图像的局部空间信息,又在不大幅损失分辨率的情况下维持较大的感受野。最后通过实验结果验证了该模型为有效且轻量级的模型。