时间序列是按照时间顺序产生和记录的一组序列数据,在任何时间、任何地点,人类活动和自然界中均在不断产生时间序列,这使得时间序列分析成为了数据挖掘领域中一项重要的研究内容。深度学习目前已成为时间序列分析中广泛使用的方法,并在多种任务上产生了较好的表现。但由于深度学习是一种数据驱动的方法,时间序列数据集中广泛存在的类别间不平衡现象和有标签数据的缺乏限制了深度学习模型的性能。本学位论文针对以上问题,采用自监督学习策略构建训练模型的代理任务,在利用孪生编码器实现时间序列数据增强的基础上,提出基于孪生特征提取器的时间序列表征方法,使特征提取器在不利用标签信息的情况下,提取高质量的时间序列表征,降低下游任务数据分析的难度。首先,根据时间序列中广泛存在的相位偏移和幅值变化现象,提出了基于孪生编码器的自监督学习方法,通过最小化时间序列之间的动态弯曲距离与通过孪生编码器得到的嵌入向量之间的欧氏距离,使嵌入向量在深度欧氏特征空间中的移动可以产生相位偏移和幅值变化现象,并使深度欧氏特征空间与动态时间弯曲相互匹配。其次,在时间序列嵌入向量基础上,提出了两种时间序列数据增强方法。一种是基于添加随机噪声的数据增强,该方法通过对时间序列嵌入向量添加随机噪声使对应的时间序列产生相位偏移和幅值变化,避免了对时间序列的结构和特征信息的破坏。另一种是基于随机线性插值的数据增强方法,该方法基于动态时间弯曲寻找待插值时间序列样本的近邻样本,并通过待插值样本和其近邻样本对应的嵌入向量之间进行随机线性插值,使寻找近邻与随机线性插值的过程更符合时间序列数据的特性。最后,利用提出的时间序列数据增强方法设计了自监督对比学习框架,使特征提取器能以端到端的方式进行时间序列表征提取。该框架首先通过两个独立的数据增强操作将时间序列样本变换为两个不同的增强视图,其次利用两个增强视图中一致的结构和特征信息,通过最小化增强视图对应的表征向量之间的相似度,使特征提取器能够生成高质量的表征向量。为了验证本文提出方法的有效性与合理性,本文在多个数据集上进行了验证。实验结果表明,本文提出的两种数据增强方法均能有效提升数据集的规模与质量,不仅在一定程度上弥补了时间序列数据集类别间的不平衡对模型的影响,同时能有效缓解有标签数据不足的问题。本文提出的表征方法不仅可以在多个任务上实现与目前表现最优的基于深度学习的有监督模型相当的性能,而且能在标注数据不足的情况下产生比有监督模型更好的性能。此外,多领域应用验证实验的结果表明本文提出的表征方法能灵活应用在来自不同领域的时间序列数据上。