近年来,基于相空间重构（Phase-Space Reconstruction,PSR）的时间序列图像化方法因能描述时间序列的非线性信息等优点,已被用于提升时间序列分类（Time Series Classification,TSC）的性能。然而,这类方法因需要将高维相空间中的轨迹投影到二维平面,往往会导致信息丢失或造成虚假的信息,从而导致分类准确率的下降。本论文的研究目的便是分别在单变量时间序列（Univariate Time Series,UTS）和多变量时间序列（Multivariate Time Series,MTS）上提出新的基于PSR图像化方法以克服上述缺陷,从而提高时间序列分类准确率。针对上述目的,本论文重点研究了基于PSR的UTS数据分类方法（Maximum Trajectory Matrix Image-Deep Convolutional Neural Network,MTMI-DCNN）和基于时空信息图像的MTS分类方法（Spatiotemporal Information Representation-3D Convolutional Neural Network,SIR-3DCNN）。论文首先介绍了相空间重构的基础知识。在此基础之上,提出了适用于UTS数据分类的MTMI-DCNN方法,该方法有效地避免了投影造成的信息丢失和虚假信息等问题,提高了分类准确率。此外,在MTMI-DCNN的基础上,本论文提出了MTS的分类框架SIR-3DCNN。最后,论文对所提的分类方法进行了总结和评估。论文的主要研究成果包括:（1）提出了基于PSR的单变量时间序列分类方法MTMI-DCNN。该方法的基本思想是通过MTMI图像化方法将时间序列转换为具有最大分辨率的轨迹矩阵图像,然后使用DCNN对这些图像进行分类。该方法引入了两项重要技术:1)提出了一种新的时间序列成像技术。它直接将轨迹矩阵作为图像,因此不需要相空间轨迹投影,避免了投影造成的信息损失。2)引入了一种基于PSR的时间序列成像参数的优化技术。它通过最大化轨迹矩阵图像的分辨率来确定相空间重构参数。以上两种技术可以帮助DCNN获得令人满意的分类结果。实验结果表明,本论文所提出的MTMI-DCNN在各种数据集上都优于其他先进的方法:在Uo B、Coffee和CHMO数据集上的准确率分别达到98.7%、100.0%和82.6%;在UCR存档的60个UTS数据集上,获胜次数和平均错误率分别达到19和0.141。因此,它可以作为UTS分类的一种有价值的方法。（2）提出了基于时空信息图像的多变量时间序列分类框架SIR-3DCNN。该框架的主要思想是:首先采用空间维度图像化方法SMTMI（Spatial MTMI）或时间维度图像化方法TOFI（Temporal Optical Flow Imaging）转换为MTS的SIR时空图像序列,然后利用3DCNN对以上图像序列进行分类。我们提出并测试了三种实现:SMTMI-C3D（即SMTMI图像化方法和C3D网络）、TOFI-C3D（即TOFI图像化方法和C3D网络）和SIR-TSSNet（Two Stream Spatiotemporal Network）（即SMTMI、TOFI相结合的图像化和TSSNet）。实验结果表明,方法SIR-3DCNN能够对MTS数据进行有效的分类,尤其是SMTMI-C3D在肺癌诊断电子鼻数据集上的准确率达到95.29%。综上表明,本论文所提出的两种基于PSR的时间序列图像化方法均能够有效提高TSC的分类准确率。研究成果将为基于PSR的时间序列分类提供具有实用价值的新方法。