截止2020年12月10日,COVID-19疫情已影响到全球216个国家和地区,累计确诊超7000万,绝大多数国家目前疫情仍在持续增长,远没有达到控制程度。本文基于约翰·霍普金斯大学系统科学与工程中心（CSSE）的全球不同国家和地区的COVID-19累积20例确诊之后的每百万人口确诊数据,提出函数型数据分析作为研究全球疫情形势时间动力学特征的一个方法,从疫情传播模式和趋势预测两个角度做深入探究,这对疫情防控无疑具有重要现实意义。本文将COVID-19发展模式分为四类:累积确诊一直高于/低于全球平均水平,初始确诊数较低但随后大幅增长、初始确诊数较高但随后进入控制期。在研究过程中,最直接的问题就是高维数据的问题,我们假设同一种传播模式的国家和地区累积确诊曲线有相同特征以解释大部分变化,利用函数型主成分分析（FPCA）方法降维,两个主成分分别可以解释为每百万人口累计确诊数和累积确诊速率,通过主成分得分可以对全球各个国家和地区的疫情发展模式进行划分。同时,我们发现部分国家累积确诊数在40天后开始趋于平稳,这一趋势可以由第二主成分拐点解释,我们基于此定义了疫情传播的“冷启动期”,即疫情传播在40天之内会有一个较为明显的增速,之后累计确诊轨迹会表现出一个比较稳定的趋势。因此,我们有理由认为前40天是疫情防控的关键时点。由于COVID-19在各国开始传播时间点不同,传播较早的国家和地区掌握了新冠病毒的宝贵信息,这就使得可以采取函数型数据预测方法,借助“未来”的信息,利用较早时间传播的国家的累积确诊轨迹信息对其他国家进行短期预测,预测效果均优于Holt指数平滑法和SIR传染病模型。最后,量化人口密度、65岁以上人口比重、人均GDP、人口流动性等因素对全球疫情形势的影响,为疫情防控控制提供指导意见。