本发明公开了一种针对工业不平衡数据的时间序列数据增强方法，通过平均欧氏距离，将少数类数据分为近多数类数据集n‑maj和近少数类数据集n‑min，分别进行数据增强；利用DTW对齐计算，再通过建立待增强数据集间的DTW距离矩阵来寻找距离待增强序列的K个近邻序列；将待增强序列与K个近邻序列的DTW对齐，获得临时对齐序列，同时通过基于DTW距离的权重和临时对齐序列进行加权平均生成多样性样本，并且针对近少数类数据集，添加了随机噪声，扩增了样本空间，丰富符合原数据集分布的样本特征。由于改善了原数据类不平衡的情况，因此通过结合机器学习与深度学习模型，可以提高在工业时序不平衡数据上评价指标。