时间序列数据广泛存在于我们的日常生活中,时间序列分类问题是所面临的重要问题之一,现有的时间序列分类方法可大致分为基于距离的方法,基于特征的方法以及基于深度学习的方法,传统的方法需要手动处理特征和人为的选择分类器,一些深度学习方法属于端到端的方法,表现出了较好的分类效果,但是没有针对时间序列数据的特点对网络结构进行有效设计。时间序列数据往往面临着两个问题:时间尺度的选择与噪声干扰。一个健壮的时间序列分类算法应该能够捕获不同时间尺度的时间序列数据,因为长期特征反映总体趋势,短期特征反映局部区域的细微变化。同时,时间序列数据又容易受到噪声的干扰而失去意义。能否对时间序列数据进行有效的时间尺度的选择和有效的噪声处理将对时间序列分类效果产生重要影响,目前已有的考虑到时间尺度的时间序列分类算法并不理想,并且很少能够对噪声问题提出有针对的解决方法。基于以上问题,本文对基于深度学习的时间序列分类算法展开了研究,在考虑时间尺度和噪声的基础上对残差网络进行改进,以提升时间序列的分类精度,主要工作包括:(1)提出了基于多尺度残差网络的时间序列分类算法,用来处理时间序列中时间尺度选择问题。该结构主要分为包含数据恒等映射、数据平滑滤波和数据采样在内的数据预处理阶段、包含卷积操作和池化操作的局部卷积阶段、包含三个卷积块和三个残差块的残差网络阶段。为了评价该方法的性能,本文在UCR的85个公开数据集上进行了实验。实验表明,本文提出的方法较其他方法而言具有很好的性能。(2)提出了基于残差收缩网络的时间序列分类算法。本文针对时间序列数据中的噪声问题提出了3种不同残差收缩网络来处理不同种类的数据集——基于全连接网络获得阈值的残差收缩网络,基于残差网络获得阈值的残差收缩网络,基于全卷积网络获得阈值的残差收缩网络。实验表明,本文的方法较传统的残差收缩网络在时间序列数据的分类效果上有明显的改进,较现有的时间序列分类算法能够有效的提升分类精度。