多变量时间序列(MTS：MultivariateTimeSeries)分类问题广泛存在于计算机视觉和模式识别应用、医学、金融、多媒体和生物科学等众多领域。在多变量时间序列分类的研究工作中，传统的方法需要度量不同序列之间的相似性，或从原始序列数据中选择并提取有效的特征，或依靠深度学习网络进行分类，存在无法处理可变长度的MTS，时间复杂度较高，无法对分类结果进行解释等不足之处。因此，如何处理可变长度的MTS，降低MTS分类过程的时间复杂度，通过挖掘不同变量之间复杂的依赖关系从而对分类结果进行解释具有重要意义。基于以上探索，本文对多变量时间序列分类问题展开了研究，主要研究工作如下：
　　1)本文利用高斯图模型来表示MTS数据，即将MTS数据转换成高斯图模型的参数(均值和逆协方差)。这种表示方法提供了不依赖MTS长度的模型参数集合，因此能够处理可变长度的MTS。
　　2)为了突出显示不同变量之间复杂的依赖关系，使用交替方向乘子法稀疏求解高斯图模型的重要参数——逆协方差，得到稀疏逆协方差参数。为了学习用于准确描述子序列的稀疏逆协方差，本文建立了一种基于LogDet散度的学习方法，通过E-M算法迭代优化得到MTS数据集中代表各类别的高精度和鲁棒性的稀疏逆协方差。
　　3)在基于已经构建好的模型参数空间基础上，本文提出了多种不同的距离度量方法来构建模型分类器。在多个著名的MTS数据集上进行的实验表明，与用于MTS分类的最新方法相比，本文所提的方法在分类准确度和可解释性方面表现地更优异。