多元时间序列作为一种常见的数据储存形式,广泛存在于现实世界各个领域的复杂系统中并得到大量分析应用。而实际获取的多元数据可能存在的冗余、无关变量或数据不完整等问题,往往不利于进一步的建模分析与应用。因此对多元数据做特征提取建模、对不完整数据做缺失值填充处理具有重要的现实意义。本文以多元时间序列数据为研究对象,以变分自编码器模型（Variational Auto-Encoders,VAE）为研究方法,针对实际应用中的特征提取建模和不完整数据填充问题展开研究,为进一步构建高精度分析模型奠定基础。本文研究内容如下:针对传统特征提取建模方法可能产生的“黑箱”问题,本文考虑VAE模型潜在空间具备特征提取能力的特点,引入互信息理论（Mutual Information,MI）,提出了基于互信息的变分自编码器模型（MI-VAE）,将模型的潜在空间作为特征提取器嵌入多元时间序列的建模过程中。该模型中引入的互信息理论有利于增强模型对输入数据的表达能力,能够有效学习多维输入的本质特征。最终通过仿真实验结果表明,所提模型具有较好的特征表达能力和更高的重构精度。针对非线性多元时间序列的两种类型的数据缺失问题,本文考虑VAE模型的样本生成能力,将其作为基本的插补框架分别提出了两种改进模型。一方面,结合移位校正方法（Shift Correction,SC）并推广至β-VAE,提出了基于移位校正的β-VAE模型（SC-β-VAE）。该模型通过移位校正方法引入超参数λ对标准VAE模型的基本假设进行校正,同时通过β超参数更好地平衡了模型的生成能力和解耦能力,能够产生更符合真实数据概率分布的插补结果。最终在两个真实数据集上验证了所提模型的有效性。另一方面,结合迁移学习方法（Transfer Learning,TL）并结合双向长短期记忆网络（Bidirectional Long Short-Term Memory,Bi-LSTM）,提出了基于迁移学习的双向变分自编码器模型（Transferred Bidirectional VAE,T-Bi VAE）。该模型通过迁移学习方法缓解了数据大量随机缺失带来的概率分布偏差,引入的Bi-LSTM适合于处理长时间序列数据,能够对缺失值作出较为合理的估计。最终在一个真实数据集上验证了所提模型的有效性。