多变量时间序列通常来自于对现实世界中的动态系统的监测,其中每个维度代表通过一个(虚拟)传感器测量出的局部特征。考虑到一组动态系统的相似性与差异性,并同时对它们进行准确地判别是一项极为重要的任务。为此,本文提出了一种基于自适应LASSO的方法——SAR算法,有效地构建出多变量时间序列中稀疏连通结构。构建出的这种稀疏连通网络蕴含了系统自身的信息,因此可以作为各种机器学习任务(如分类)的信息输入。本文特别地关注了高维和无监督(或半监督)的学习场景,并提出了一种高效的可并行的学习方法。通过自适应的在所有的系统中构建一个共享的、诱导稀疏的正则化模板来提取数据集自身的稀疏连通模式。此外,本文的方法还可以灵活地整合样本间有链接和样本间不能有链接等先验信息来让构建的稀疏网络更具应用性。总之,本文提出的稀疏自适应正则,即SAR算法可以有效的提取信号之间连通性,并且让连通网络在机器学习任务中有显著地提升。本文将其与目前最先进的方法进行比较。结果验证了SAR在准确性、计算效率和可解释性等方面优于其他对比算法。同时,为了将矩阵中的数值信息转换成结构信息,便于更广泛地使用。本文提出了三种对矩阵的行列进行重排序的算法,分别是SVD分解排序法、SVD分解贪心法和直接贪心法,并集成了一套先进的矩阵重排序方案。这套方案是无监督的。经过实验能够发现,这套重排序方案可以很好地恢复被打乱过行和列的灰度图以及彩图,会给这些被打乱的图片足够的结构信息,足以被卷积神经网络很好地识别。更为重要的是,对于SAR算法生成的稀疏连通网络,通过对其重排序给予其相应的结构信息,可以让卷积神经网络更快更稳定地对其进行识别,让稀疏连通网络可以更好地被应用于其他的任务中。对于PPMI数据集,将SAR和矩阵重排序算法结合起来,可以有高达94.9%的准确率来诊断帕金森病。本文在多变量时间序列的稀疏连通网络提取和应用上做出了一定贡献。