特征表示与度量可以将原始时间序列数据映射到低维特征空间，在保持和反映基本形态、特征和有效信息的前提下，达到数据降维、去除噪声以及减少计算代价的目的。　　符号化聚合近似(Symbolic Aggregate approXimation，SAX)方法因其简单直观且行之有效的特点，成为一种最为典型的符号化特征表示方法。但是该方法仍存在一些值得进一步深入探讨的问题:1）SAX方法难以避免有效信息的损失，从而对数据挖掘与分析的精度与准确性产生影响;2）SAX方法在单变量时间序列处理上的应用较为常见，而在多变量时间序列数据处理方面，相关研究相对缺乏;3）对SAX方法内在特性，如复杂度、信息损失、关联性及周期性等方面的分析研究不够深入;4）对SAX方法的可视化研究较为缺乏。　　正是在此背景下，本文面向时间序列分类任务，提出了相应的框架、模型与统计度量方法。本文主要贡献和创新点如下:　　1)针对SAX方法的有效信息损失问题，构建了基于集成学习方法的多阶段分类框架。本文利用机器学习方法中的集成学习思想，对多种不同参数表示的多样性信息进行整合，建立多阶段分类框架，弥补信息损失，提高整个分类器的效率，从而提高时间序列分类的准确性。　　2)针对多变量时间序列特征表示问题，提出并构建了基于深度学习的多变量时间序列数据特征提取模型CNMMRDV(Convolutional Network Model for MTS Representation based on Deconvolutional Verification)。该模型利用卷积神经网络及SAX方法获取多变量时间序列相关性特征，并利用模型中的反卷积验证非监督学习得到的特征质量。　　3)针对SAX方法的内在特性度量问题，提出了信息嵌入成本(Information Embedding Cost，IEC)这一新的度量标准，对SAX进行量化分析。该度量标准可以准确分析SAX方法的信息嵌入效率，且可以从一定程度上反映SAX方法与不同数据集分类性能之间的关系;复杂度、信息嵌入效率、相关性与周期性等度量标准可以为SAX方法的改进，以及新的特征表示方法的设计提供参考。　　4)针对SAX方法的可视化展示与分析问题，构建可视化分析方法对SAX进行可视化呈现及相关特性分析。基于复杂网络理论，提出了将时间序列SAX离散化特征表示与马尔科夫矩阵相结合，并通过网络图进行可视化的方法，实现时间序列数据特征表示可视化及预分析的目的。　　本文采用UCR时间序列分类聚类数据集、CMU的MTS数据集以及临床医疗生理数据集进行了相关实验。实验结果表明，多阶段框架可以较好解决SAX符号化特征表示过程中的有效信息损失问题;CNMMRDV模型有效解决了多变量时间序列数据跨通道相关特性的提取问题。以上两方面实验在时间序列数据分类任务中表现突出，进一步验证了SAX方法的有效性和优良效果;SAX内在特性度量的相关实验表明了IEC分值与分类性能之间的关系;基于复杂网络图的可视化实验实现了在一定程度上探索隐含特征，以及时间序列预分析的目的。