时间序列分类一直被认为是数据挖掘中最具挑战的问题之一,对于任何需要考虑到数据次序的分类问题,均可以被视为时间序列分类问题。近几年,随着互联网技术的发展,时间序列数据的规模不断扩大,流行程度持续增强,其广泛地存在于人类的生活与工作之中。如何更进一步地提升时间序列的分类精度以及如何更好地实现时间序列的自动分类成为了当前亟待解决的问题。传统的时间序列分类方法依赖于研究者所具备的专业领域知识,这导致挖掘过程繁琐且低效,并且容易丢失时间序列中的潜在信息。而简洁高效的端到端的深度学习方法专注于数据本身的规律,可以便捷、准确地挖掘出时间序列中隐含的重要信息,从而为人类的决策活动提供可靠有力的支持。针对目前最先进的单变量时间序列分类模型ResNet参数量过多,且容易过拟合的问题。本文提出了一种具有ASPP（Atrous Spatial Pyramid Pooling）结构的改进模型ASPP＿ResNet,用于单变量时间序列的分类。ASPP结构以多尺度的方式捕获时间序列中不同类型的特征信息,其内部结构采用了空洞卷积,这不仅降低了噪声数据的干扰,并且在不增加参数量的情况下使模型具有更大的感受野,从而获取到序列中更为准确和全面的特征信息。本文在含有128个数据集的最新UCR＆UEA数据档案中进行了对比实验,结果显示本文提出的ASPP＿ResNet具有更少的参数量和更优秀的分类性能。最后本文采用类激活图CAM的可视化技术分析ASPP＿ResNet模型与ResNet模型的决策过程,其结果表明两者都以时间序列中十分相似的特征子序列作为分类的依据。针对现有方法对多变量时间序列的变量维度间的相关性挖掘不足、特征提取不够充分的问题,本文提出了一种用于提取多变量时间序列空间特征的ASPPs结构。ASPPs由两种形态的ASPP模块组成,第一种ASPP结构首先将多维的序列数据看作是单通道的图片数据格式,随后对整个特征图进行时间维度的二维卷积,以此提取时间序列数据各维度间的共性特征信息。第二种ASPP结构采用含有多个一维卷积核的多尺度分支结构,从变量维度和序列空间特征中提取聚合的特征信息。在提取序列空间特征的过程中,还使用了Squeeze-and-Excitation自注意力模块,自适应地学习特征序列变量维度上的相互依赖关系,并联合用于学习时序特征的LSTM网络构成最终的分类模型LSTM＿ASPPs。多组数据集上的对比试验表明,LSTM＿ASPPs的分类性能优于诸多优秀的时间序列分类模型,其具有较为可靠的分类效果。并且,多组消融实验的结果显示,本文所采用的空洞卷积极大地提高了分类模型的性能。