多变量时间序列(MTS:multivariate time series)分类是根据已知MTS提取特征或者训练模型将未知的MTS标记上已知标签的过程,该工作是当前数据挖掘和模式识别领域最具挑战性的问题之一。在MTS分类的研究工作中,传统方法通过计算距离、提取特征进行分类。然而,随着大数据时代的到来,时间序列数据大量产生,涉及人类生产生活的方方面面,如金融领域、医疗健康领域、工业生产、人类模式识别等,数据的多样性、复杂程度在不断增加,加大了分类难度。因此,开展MTS分类研究具有重要的理论意义和广泛的应用前景。本文研究工作如下:(1)MTS的变量之间具有很多的相关性信息,因此,我们利用多变量高斯模型的参数表示其中相关性。本文运用多变量高斯模型的重要参数协方差能够识别并捕获变量之间的相关性信息的特点,将原始MTS转换为多变量高斯模型参数,对其进行建模,使用多变量高斯模型表征MTS。并且推导出多变量高斯模型之间的KL(Kullback-Leibler)散度作为相似度度量进行分类。通过实验验证了基于KL散度和高斯模型的MTS分类方法在准确度上优于对比算法,证实了该方法的有效性。(2)通过充分分析MTS数据,其具有先后顺序的时序属性,还有变量之间相关的特性,其特性类似于图像数据,于是将计算机视觉领域效果很好的FCN引入到MTS分类。基于FCN的MTS分类方法能够自动提取特征,减少人工设计模型的工作量。通过实验验证了该方法的有效性,并且结合多变量高斯模型,使用模型参数代替原始MTS数据训练FCN,能够减少运算量,大幅度提高运算速度。