时间序列是对一个系统中的变量按照时间顺序观测,按照单位时间进行记录得到的观测值。根据系统中被观察的变量个数,可以将时间序列划分为多变量时间序列（MTS）与单变量时间序列。MTS分类是MTS研究中一个活跃的研究领域,其研究任务是建立一个分类器,将输入的MTS映射到其对应的分类标签中。在MTS的分类研究中,考虑MTS在空间维度和时间维度上的特点可以提升分类的准确度。另外,在一些MTS分类的研究中需要得到可解释的分类结果,如财务困境预测中,一个企业被划分为财务困境企业,企业经营者或投资者希望得到相应的原因。现有的时间序列分类器主要包括一般机器学习分类器和深度神经网络分类器。研究表明,使用一般机器学习分类器对MTS分类时,没有考虑时间维度上不同变量之间的作用关系,分类结果的准确度往往不高;深度神经网络分类器分类结果具有较高准确度,但由于其结构复杂被视为黑匣子,无法解释产生分类结果的原因。时序模糊认知图（tFCM）是模糊认知图（FCM）在时间域上扩展的时间序列预测模型,它利用变量间跨时间维度的作用关系在时间域上进行因果关系推理,并对MTS中每个变量产生准确且可解释的预测结果,但不能进行分类。因此,本文在该模型中引入模块评估节点与系统评估节点,将模型的输出映射到了MTS的类别标签中,构建了基于tFCM的MTS分类模型。本文通过四个步骤构建了基于tFCM的MTS分类模型。首先,根据系统实际应用场景对MTS中的变量进行模块划分,不同的模块表示系统的不同性能;接着,结合模块中变量在同一时刻的取值和所有模块在过往多个时刻的评估结果,对该模块进行评估;然后,综合同一时刻的所有模块评估结果对该时刻的系统进行评估;最后综合最近多个时刻的系统评估结果产生分类结果。为了验证模型的准确度,本文分别在m Healthy时间序列数据集、EMA数据集与上市企业财务时间序列数据集中进行了实验,并将与向量机（SVM）、决策树（DT）、Encoder以及FCN神经网络分类模型进行对比。实验结果表明,在m Healthy数据集中,当序列长度7<T<25时,tFCM模型分类准确度比SVM、DT分别平均高出5.86%与5.08%,且各项评价指标取值与Encoder模型相当。为了进一步展示基于tFCM的MTS分类模型的可解释性,本文构建了基于tFCM的MTS分类Web服务系统,并以财务困境分类为例展开了案例分析。文中首先介绍了系统的结构设计以及系统原型的实现,然后介绍了企业财务时间序列的相关概念,并使用系统建立了基于tFCM的企业财务困境分类模型,接着结合企业财务管理相关知识对模型的权值进行分析,提出模型权值修改的建议,最后通过对多家企业财务困境分类结果的对比分析,解释了这些企业被划分为财务困境或非财务困境企业的原因,展示了tFCM么模型的可解释性。