多变量时间序列（Multivariate Time Series,MTS）分类致力于将具有多个变量和时间属性的数据划分到预定义的类别之中,在金融、医疗、人类活动识别等领域发挥着重要作用。但MTS分类任务中存在许多问题,例如MTS中变量之间存在着复杂的关系特征难以捕捉,样本间存在的潜在关系特征易被忽视,标注的MTS数据少等问题。提取关系特征为分类任务提供更多的关键特征具有重要的研究和应用价值。本文围绕变量间关系和样本间关系两个重要特征的提取展开研究,主要工作如下:（1）针对MTS中变量间存在的复杂关系特征难以捕捉的问题,提出一种基于变量间关系特征的MTS分类方法（REV-CNN）。REV-CNN设计了一个变量间关系提取模块,根据变量之间的动态时间规整距离构建每个样本的带权重的变量关系图,将提取变量间关系特征的任务映射到图空间中,并利用自注意力机制优化权重。然后在图中根据权重进行聚合操作,为每个变量添加变量间关系特征。最后将其与卷积神经网络框架提取的基本特征相结合,得到新的特征表示用于分类。在公开的MTS数据集上的实验结果显示,REV-CNN的分类准确率优于其他先进的基准方法,表明了在图空间中进行变量间关系特征提取的有效性。（2）针对多数方法仅通过不同样本特征来隐式地表达样本间关系特征的问题,提出一种基于样本间深度结构特征的MTS分类方法（AE-GCN）。为了提取样本间关系特征,AE-GCN首先提出一种基于MTS样本相似性的关系映射准则,将MTS样本和潜在的关系特征映射到图空间,并设计了基于图卷积网络的样本间关系特征提取器。同时为了防止图卷积操作时样本自身特征被弱化,AE-GCN将自编码器从MTS中学习的有效特征整合到图卷积网络中。最后利用两个特征的集成进行分类。与监督和半监督的基准方法进行对比,实验结果显示了AE-GCN优异的分类效果,尤其是在只有少量训练样本时具有较大优势。同时也验证了样本间关系特征在分类中的重要作用。