对投资者而言,为了降低投资风险获得超额收益,有效掌握金融市场的变化规律十分重要。图表形态分析是金融市场分析方法之一,其有效性得到广泛验证。然而非专业投资者往往难以正确识别图表形态,故如何自动而准确地识别金融时间序列图表形态是一个值得研究的课题。传统金融时间序列图表形态识别方法存在对使用者的专业能力要求较高、数据预处理过程对识别结果影响大等缺点。而卷积神经网络(CNN)已被证实具有很好的图像处理能力,可以自主学习图形特征并进行识别。为了解决传统识别方法存在的问题,本文基于卷积神经网络(CNN)引入深度残差学习(deep residual learning)和空间金字塔池化层(SPP),提出一种RSPP-CNN深度神经网络结构,使其更适用于识别金融时间序列图表形态。本文的主要工作如下:(1)对常见的金融时间序列图表形态进行梳理,描述了其形态特点和形成原因,并给出数学定义和表示方法;(2)分析传统CNN网络结构用于识别金融时间序列图表形态的不足,并针对不足设计RSPP-CNN深度神经网络结构:采用残差学习模块和空间金字塔池化层(SPP)对传统CNN网络结构进行改进,一定程度上解决梯度消失/爆炸、网络退化和不能接受多尺度输入的问题。(3)构建基于RSPP-CNN的金融时间序列图表形态识别模型。该模型分为3部分:首先建立金融时间序列图表形态数据库,并给出数据获取方式;随后使用一种改进小波阈值去噪方法对金融时间序列图表形态数据进行预处理;最后将预处理后的数据输入到训练好的RSPP-CNN网络中完成识别;(4)设置多组对照实验对所构建的模型进行实证,验证模型对金融时间序列图表形态识别效果的优越性。本文提出的RSPP-CNN深度神经网络结构一定程度上解决了传统CNN中梯度消失/爆炸、网络退化和不能接受多尺度输入的问题;构建的基于RSPP-CNN的融时间序列图表形态识别模型,解决了传统图表形态识别方法对专业能力要求高、数据预处理过程对结果影响大等缺点,实验结果表明该模型具有较好的识别效果,未来可在本文研究内容基础上继续拓展,进行自动化交易系统的研究工作。