时间序列数据研究是当前学术研究的热点之一。其中,利用复杂网络的相关知识进行时间序列数据的分析研究是重要的一种方法。借助复杂网络理论解读时间序列数据主要存在两个关键问题:一是如何将时间序列数据转换为复杂网络。二是在得到的复杂网络中选取何种合适指标去解读分析时间序列数据。将时间序列映射为复杂网络,在转换方法上,目前可视图方法体现出直观有效的特点,但是对几种可视图方法在时间序列应用上的异同还有待总结。在指标选取中,网络的熵已得到较广泛应用,但现有的几种熵指标在许多网络中区分度还不明显。为此本文主要研究内容为:一、比较无穿越和有限穿越可视图两种方法在研究时间序列数据中的应用,结论表明,两种方法都可以将时间序列有效映射为复杂网络,但有限穿越可视图方法构建中需要选取合适的穿越视距,不同的穿越视距导致网络连接发生变化。基于度分布、介数和核指标中,发现两种方法表现出不同特性,无穿越可视图相较于有限穿越可视图方法在度分布和介数与核中表现出的波动性质与实际时序数据更加相符。二、基于邻域相似度构建一种新的结构熵,新的度量通过考虑邻居节点交集和并集的关系,从而突破了连边的限制,通过几个特别结构的网络证实,新的结构熵能区分更多类型的网络图。然后将其应用于线性递增时序数据和周期时序数据以及几个简单的实际时序数据,发现新的熵能够区分这几类时序数据构造的网络结构。本文构造了新的结构熵,其目的是可有效地获取节点及其邻居节点之间关联信息,避免了在获得网络全局信息中存在的一定局限性,更利于具有时变性的实际复杂网络应用推广。三、最后基于无穿越可视图方法和本文提出的结构熵研究了六个国家（美国、马来西亚、瑞士、比利时、中国、意大利）的股票时序数据和2020.01.23——2020.04.08湖北省和全国（除湖北省外）的新冠肺炎时序数据。研究表明通过无穿越可视图转换成的复杂网络都具有幂律特性和小世界特性。网络统计指标也都反映了这两种数据特征。基于本文熵值的计算,发现股票网络中,美国和中国这两个世界第一第二经济体对应熵值分别为最大值和次大值。新冠肺炎数据熵值（按湖北省、除湖北省外）存在较大的差异。本文的研究指出了可视图在时间序列数据研究中应该注意的几点问题;为通过复杂网络研究时间序列数据构建了新的度量方法。同时,对当前的实际时间序列数据进行了较有效的分析。