针对时间序列图像化缺少时间关联关系与空间位置关系的问题，提出面向时间序列的混合图像化循环胶囊神经网络（FIR-Capsnet）以融合并提取时间序列图像的时空信息。首先通过格拉姆角场（GAF）、马尔可夫跃迁场（MTF）与重现图（RP）方法捕获时间序列图像的多水平时空特征；然后利用胶囊神经网络的旋转不变性与路由迭代算法学习时间序列图像的空间关系；最后引入长短时记忆（LSTM）网络的门机制学习时间序列数据隐含的时间关联性。实验结果表明，FIR-Capsnet在30个UCR公开数据集上取得15次胜利；并且在人体活动识别（HAR）数据集上相较于Fusion-CNN、FIR-Capsnet的分类准确率提高7.2个百分点，说明了FIR-Capsnet处理时序数据的优势。
