시계열 데이터는 스마트 팩토리, 헬스 케어, 사이버 보안 등 다양한 도메인에 존재한다. 시계열 데이터를 활용한 산업의 생산성 향상을 위해 분류, 예측, 이상치 탐지 등과 같은 다양한 시계열 분석 과업에서 다양한 신경망 기반 방법론들이 연구되어 왔다. 이러한 방법론들은 전통적인 시계열 분석 방법론들에 비해 좋은 성능을 보였으며, 인간의 의사 결정을 돕기 위해 다양한 산업에 적용되어 왔다. 하지만, 시계열 데이터는 일반적으로 시간적 역학, 장기 의존성, 다중 해상도 의존성과 같은 복잡한 특징을 가지기 때문에 시계열 데이터에서 풍부한 정보를 추출하는 것은 시계열 분석의 성능에 직접적인 영향을 미친다. 이에 따라 본 논문에서는 향상된 시계열 표상을 기반으로 시계열 분석의 성능을 향상시킨 세 가지 연구를 소개한다. 먼저 다중 해상도 복원과 예측 코딩을 통해 정상 시계열 데이터로부터 풍부한 특징을 추출함으로써 시계열 이상치 탐지의 성능을 향상시킨 방법론을 소개한다. 해당 방법론은 다양한 해상도에서 입력 시계열 데이터의 시간적 특징을 추출하고 이를 통합한 표상으로부터 입력 데이터를 복원하는 다중 해상도 복원을 통해 시계열 데이터의 전역 및 지역 정보를 모두 활용하여 정상 패턴을 학습한다. 더불어 해당 방법론은 시계열 이상치 탐지의 성능 향상을 위해 모델이 예측 과업의 관점에서 시계열 데이터의 시간적 특징을 추출하는 예측 코딩을 활용한다. 제안 방법론에 대한 다양한 실험을 통해 향상된 시계열 표상이 시계열 이상치 탐지의 성능 향상에 도움이 됨을 확인하였다. 다음으로 시계열 이상치 탐지에 적합한 표상을 학습하기 위한 방법론을 소개한다. 해당 방법론에서는 입력 시계열 데이터와 해당 데이터에 시계열 증강 기법을 적용한 데이터의 표상을 유사하게 하는 과정을 통해 시계열 표상을 학습한다. 해당 방법론에서는 시계열 표상을 대표적인 정상 시계열 표상에 가깝게 사영하는 이상치 탐지에 대한 목적 함수를 활용한다. 제안 방법론으로 학습한 시계열 표상을 이상치 탐지에 활용한 결과, 시계열 이상치 탐지에 적합한 표상을 학습하는 것이 과업의 성능 향상에 도움이 됨을 확인하였다. 마지막으로 다양한 시계열 분석 과업에 적용할 수 있는 시계열 표상 학습 방법론을 소개한다. 해당 방법론은 다양한 시계열 분석 과업과 도메인에서 활용할 수 있는 범용적인 시계열 표상을 학습하기 위해 다양한 시계열 표상 학습 방법론의 장점을 통합 학습하였다. 세부적으로 제안 방법론은 시계열 데이터에서 각각 맥락적 일관성, 시간적 일관성, 변환 일관성을 반영한 표상을 학습할 수 있는 세 가지 대조 학습을 통합 학습하여 풍부한 시계열 표상을 학습한다.