随着传感器技术和互联网技术的迅速发展,时间序列数据正以一种前所未有的速度不断产生和积累。时间序列中蕴含着丰富的信息,对其进行有效地建模与分析能够帮助人们认识事物的本质特征和发展规律,具有重要的研究意义和应用价值。例如,在网络安全领域,通过监测网络的流量情况,能够及时发现网络流量的异常波动。时间序列分类任务是时间序列分析的重要研究分支。与传统分类问题不同,在时间序列分类过程中,特征之间是存在顺序关系的,这使得时间序列分类问题极具挑战性。在现有的时间序列分类方法中,传统方法过分依赖于时间序列的相似性度量,缺乏广泛的适用性;而基于机器学习的方法需要事先进行复杂的特征提取,费时费力;基于深度学习的方法虽然具有较好的通用性,但是大都仅从时域的角度对时间序列进行建模和分析,而时间序列在时域上往往同时表现出趋势性、季节性、周期性和随机扰动性,仅从时域的角度对其进行建模存在较大的局限性。针对上述问题,本文从时域和频域两个角度对时间序列分类问题开展研究。首先,本文提出了一种基于自适应多级小波分解的时序分类方法（AMWDNet）。考虑到时间序列非平稳非线性的特点,本文设计了自适应多级小波分解模块（AMWD）,将原始输入序列分解为多级高频分量和低频分量。该模块使用神经网络近似地实现了传统的离散小波分解,使得多级时频信息的提取过程能够在训练中根据数据进行自适应地调整。此外,设计了长期时间模式提取模块（LTTP）和短期时间模式提取模块（STTP）分别捕获多级时频信息中的全局趋势变化模式和局部波动变化模式。其次,本文提出了一种基于双通道时频分析的时序分类方法（DCTFNet）。考虑到在有限的时间区间内时间序列中包含的频域信息有限,本文设计了时域模式提取模块（TDPE）和时频模式提取模块（TFDPE）,同时建模原始输入序列中的时域信息和时频信息。此外,TFDPE模块使用多小波分析方法进行时频信息提取,弥补了单小波分析的不足。并且,考虑到在不同业务场景中,不同分辨率的时频信息具有不同的重要性,本文提出了基于通道注意力机制的信息融合方法,对时域信息和多级时频信息进行信息融合。最后,本文选取了目前主流的时序分类方法作为对比方法,在八个不同领域的公开数据集上进行了对比实验。实验结果表明,本文提出的两个分类方法明显优于现有的时间序列分类方法。