我国西气东输管道外壁采用了氧化还原反应进行保护,为检验管道外壁的保护是否有效,只需将管道每段测试桩内的HVDC（Higher Voltage DC）时序数据提取出来,即可完成管道故障的定位。HVDC现象的发生,代表了管道外保护层脱落。本文主要通过深度学习方法解决HVDC这类非平稳时序数据的分类问题。基于深度学习的时序数据分类方法主要有CNN,LSTM,RNN,CNN+LSTM,CNN+RNN等。相对于SVM和MLP等机器学习方法,其性能不仅有5%～10%的提升,其算法复杂度也大大下降。深度学习方法在泛用性、稳定性以及准确性上还不够完善。为了解决上述问题,提出一种DCL神经网络,DCL是一种由Dense Net+CNN+LSTM构成的14层结构的神经网络,DCL在稳定性和泛用性上优于其它网络。DCL在HVDC时序数据分类准确率达到91.25%。这些深度学习技术相对于传统的分析策略在稳定性、泛用性、分类和预测的准确率上更具优势。本文在时序数据挖掘研究中做出如下6个贡献:1.基于JSD（Jensen Shannon Division:一种时间序列片段分割方法）提出一种全新的离群点检测算法:JSDFP（Jensen Shannon Find Point）。2.基于QTA（Qualitative trend analysis:一种可运用于故障分析和模拟验证的定性趋势分析法）提出一种全新的HVDC时序数据的特征提取方法:QTA-TS（Qualitative trend analysis Time Series）。3.提出一种基于概率约束的时间序列数据模拟方法:RT（Rand Time Series）,可定制化的模拟出西气东输项目中五种不同类型的时序数据。4.提出一种基于RT技术的大规模时间序列模拟系统:TSS（Time-Series Simulation System）分布式系统,该系统可在数百个不同节点上,大规模的模拟5种不同类型的时序数据,该系统可模拟整个西气东输项目运作的全过程。5.基于SGD（一种基于VV＆A的方针验证方法）提出一种全新的可信性评估方法:TM-SVF（Two or More Simulation Verification Frameworks）方法,该方法主要对TSS系统进行可信性评估。6.基于RNN,CNN,LSTM等深度学方法提出一种全新的时序数据分类方法:DCL深度学习方法,该方法主要解决HVDC非平稳时间序列的分类。