随着物联网、互联网、移动互联网的快速发展,人类社会可以获得大量的时空数据,如时序传感数据、视频数据等。其中时空数据的一种重要且广泛存在的数据类型是时空图数据。时空图数据是指空间维度上的图数据结构,与时间维度相融合形成的一种具有时空信息的图数据。由于时空图数据在时间和空间两个维度上存在高度复杂的关联性与异质性,传统的深度学习特征提取方法难以有效地应用于时空图数据挖掘任务,因此亟需新型的研究思路。研究时空图数据的特征提取方法不仅可以推动时空数据挖掘与图数据挖掘两个领域的发展,而且从实际应用任务中发掘所隐藏的趋势、模式等潜在信息,对数字经济发展具有重要促进作用。根据时空图数据学习目标的不同,可将时空图数据应用分为三种类型:节点级别、边级别和图级别。本文开展面向时空图数据的时空特征提取方法及神经网络深度模型研究与应用,重点针对节点级别与图级别的时空图数据展开研究。在节点级别任务上,以交通时序传感器数据为研究对象,从有无先验知识的角度,提出了两种不同的时空特征提取方法;在图级别任务上,以视频数据中的人体动作识别为研究对象,从减少特征冗余及捕获高级语义信息的角度,提出了一种基于空间池化的多层级时空特征提取方法。主要研究内容如下:（1）针对节点级别的时空图数据多步预测问题,以交通流时序传感器数据为研究载体,提出一种新的基于动态全局-局部时空图卷积的深度学习方法,同时考虑时空维度的全局依赖以及局部依赖。在时间维度上,使用注意力机制提取全局的时间依赖,然后通过堆叠的卷积层来融合局部的时间特征,动态地对时间关联性进行建模。在空间维度上,设计了一个动态图拓扑结构学习组件,根据输入特征自动学习全局的空间依赖,再融合局部的空间依赖,能够增强模型空间关联性建模的能力。利用公共数据集与最新的相关方法进行对比,验证了本文所提方法的有效性。（2）针对图卷积方法高度依赖图邻接矩阵的问题,提出一种基于Transformer的时空数据深度学习方法,用于处理没有先验知识的节点级别时空图数据多步预测问题。具体地,在不存在图邻接矩阵前提下,采用注意力机制的方法更灵活的获得节点级别的时空数据中时间和空间维度上的特征。在三个交通流预测数据集包括METR-LA、PEMSD4和PEMSD8上的实验结果表明在大部分情况下本章算法能够取得比基于图卷积算法更好的效果。（3）针对图级别的时空图数据分类问题,以骨架视频动作识别任务为研究载体,提出了一种基于图池化技术的多层级时空深度学习方法。本文设计了一个新的图池化层,用来捕获时空图数据中高级别的语义信息。此外,针对不同动作持续时间不同的特点,利用不同大小的多个时间卷积核来自适应捕获多尺度的时间依赖。整个网络融合视频中的位置数据和运动数据,能够以一种端到端的方式进行训练。在两个大规模数据集NTU-RGB+D60和NTU-RGB+D120上的实验结果证明了方法的有效性。综上,本文重点关注实际应用中面临的时空图数据特征提取问题,针对节点级别和图级别的时空图数据的特点,提出了三种新的时空图数据特征提取方案,可为领域的应用提供新的解决思路。