随着各种传感器的硬件技术的高速发展,尤其是多传感器技术,相关器件可以记录并存储大量的数据信息,多传感器记录的时序数据通常都可以使用多变量时间序列数据的形式表示,并可以开展多种形式的数据挖掘任务。相较于单变量时间序列数据,多变量时间序列不仅存在时间上的依赖性,而且还存在变量（空间）上的依赖性,如何研究其中时空依赖信息成为当前研究的焦点。同时,在真实的复杂场景下,数据在类别层次的语义信息可能会出现偏移,也即会有全新类别数据的出现。未知的全新类别数据会对当前识别任务产生负面效果,因此新类识别任务也成为当前的一个研究热点。多变量时间序列与时间演化紧密相关,随时间的动态演化会出现更多的未知类别。虽然已有部分工作对上述课题进行研究,但是这些算法仍存在着不足之处,在多变量时间序列的数据挖掘过程中,对于时空依赖信息的捕获不足;在应对新类识别问题中,存在模型的灵活程度较差,无法有效利用已知类别信息。针对上述问题,本文提出了相关的算法,贡献如下:（1）针对多变量时间序列时空依赖信息学习不足的问题,提出了基于图池化与时间卷积网络相结合的多变量时间序列表征学习模型GP-TCN,利用图池化技术学习由多变量时间序列构建的图结构的表征信息,与时间卷积网络学习获得的时间依赖信息相结合,获得时空依赖信息。通过对照实验表明模型的有效性。实验结果证明在以分类指标为导向的表征向量学习中,本文的模型与已有的模型相较,能够取得相近并具有一定优势的结果。（2）围绕已知类别数据分布难以学习,无法与新类别区分开的难题,本文将自编码器与动态微簇相结合,提出了AE-DMC新类检测模型,学习数据的低维有效表征,在微簇空间中构建起距离度量,实现线下的微簇创建与线上的新类检测功能。缓解了在新类识别任务中模型灵活性不足,难以实现增量学习的难题。在多类别数据集、多变量时间序列数据集和真实场景的辐射源数据集下开展实验,验证模型的有效性。通过在多个已有的开源数据集与现实场景的XX对象数据集上的结果,说明本文模型能够有效地承担新类识别的任务。