作为时间序列数据挖掘领域的一个重要研究方向,时间序列分类在现实生活中存在着广泛的应用,如金融市场、医疗健康和城市交通等。时间序列分类本质上是学习一个从输入时间序列空间到预定义标签空间的映射。近年来,深度学习模型被广泛应用于时序分类任务并取得了优异的性能,其中回声状态网络作为一种训练高效的模型,能够较好地用于时间序列建模。然而,回声状态网络的长期时序依赖建模能力和解码能力仍需进一步加强。此外,深度学习模型通常需要大量的标注数据以防止过拟合,但在时间序列领域其获取成本可能非常昂贵。因此,如何使用少量的标注时序数据对深度学习模型进行有效地训练是一个具有挑战性的问题。针对上述问题,本文分别提出一种基于回声状态网络的深度学习模型以及一种基于双重增强的联合标签学习方法:（1）回声记忆增强网络（Echo Memory-Augmented Network,EMAN）。EMAN 由回声记忆增强编码器以及多尺度卷积学习器两个部分组成。在编码阶段,EMAN使用回声状态网络的储备池将输入时间序列映射到高维非线性空间,从而获得时间序列的回声状态特征。为了有效地建模时间序列中的长期依赖,提出了一种基于稀疏注意力的回声记忆增强机制应用于回声状态特征。在解码阶段,EMAN使用多尺度卷积来捕获多尺度特征从而学习到时间序列最具判别性的特征用于分类。在大量时间序列分类数据集上的实验验证了 EMAN的良好性能,同时可视化分析表明所提出的回声记忆增强机制能够有效增强回声状态网络的长期时序依赖建模能力。（2）基于双重增强的联合标签学习方法（Joint Label Learning by Dual Augmentation,JobDA）。JobDA由两个模块组成,分别为双重增强模块以及联合标签学习模块。双重增强模块对训练集中的每个样本进行样本增强以及标签增强,其中样本增强增加了训练集的样本量,而标签增强为每个样本（包括原始样本和增强样本）分配一个原始标签以及一个自监督标签。联合标签学习模块学习预测由原始标签和自监督标签组成的联合标签,从而缓解传统的标签分配策略带来的噪声标注问题。在大量时间序列分类数据集上的实验验证了 JobDA能够提升模型在小数据集上的性能,同时相比传统的数据增强,JobDA具有更好的泛化性能。