时间序列几乎无处不在,对其进行分析和建模有利于人们发现事物的本质和发展规律,从而为人们提供更科学的决策依据。对时间序列的分析主要包括预测和分类两个方向,目前的研究主要集中在预测上,而对于分类问题的研究相对较少且仍停留在较为传统的方法上。传统的时间序列分类方法根据时域、形状和变化相似性展开研究,对时间相位漂移和噪声比较敏感,鲁棒性不强。对此本文采用深度学习的方法对时间序列分类问题进行了研究及应用,主要的工作和贡献如下:（1）针对时间序列的分类问题,本文设计了两个深度学习模型:基于长短期记忆（LSTM）的时间序列分类模型、基于位置编码和多头注意力的时间序列分类模型。对于所设计模型的结构及关键参数,本文在孤独症（ASD）儿童时序姿态分类和四轴无人机时序飞行姿态分类两个实际场景中进行了评估,评估采用的数据集均为本文在真实应用场景中采集得到的。（2）本文将所设计的深度学习模型在ASD儿童时序姿态分类场景中进行了对比实验与应用。对于ASD儿童时序姿态的识别,本文对原始骨骼数据设计了4种降噪方法,实验表明这些方法提升了约5%的精度;此外为了同时对多个ASD儿童进行姿态识别,本文设计了一种基于骨骼数据的多目标跟踪算法。在对比实验中,本文设计的LSTM模型取得了超过90%的最佳精度,且在真实环境下的姿态识别测试中取得了84.1%的平均精度,基本满足实际需求。（3）本文将所设计的深度学习模型在四轴无人机时序飞行姿态分类场景中进行了对比实验与应用。对于四轴无人机时序飞行姿态的识别,本文划分了4种常规姿态和4种危险姿态,对比实验表明本文设计的编码器模型取得了90%左右的最佳识别精度。此外本文以四轴无人机“黑匣子”数据离线分析为背景,开发了一个用于分类无人机姿态的应用程序,并基于此应用程序进行了实际场景下的无人机姿态识别测试,最终取得了84.8%的平均精度。本文设计的深度学习模型在两个具有较高社会价值的应用场景中均取得了较好的表现,这为今后采用深度学习方法研究时间序列分类问题提供了理论依据与实验基础。