我们开发了一种基于高斯过程（Gaussian Processes, GPs）的贝叶斯方法，通过使用所谓的签名核作为协方差函数来从序列数据中学习。这使得不同长度的序列可以进行比较，并且可以依赖随机分析中的强大理论结果。签名通过张量捕捉序列结构，但这些张量在序列长度和状态空间维度上可能会不利地扩展。为了解决这一问题，我们引入了一种带有诱导张量的稀疏变分方法。然后，我们将得到的高斯过程与长短期记忆网络（LSTMs）和门控循环单元（GRUs）相结合，构建更大的模型，以充分利用每种方法的优势，并在多变量时间序列（Time Series, TS）分类数据集上对这些高斯过程进行了基准测试。代码可在 https://github.com/tgcsaba/GPSig 获取。