一维时序信号处理技术凭借其对时间属性的强依赖及有用信息量的庞大承载量在生活及工业界中的应用愈加广泛。例如,音频事件检测及光网络故障预测这两类一维时序信号处理技术分别在多重场景分析、通信信息传播中具有重要的应用价值。深度学习算法在音频事件检测和光网络故障预测中都体现了优于传统算法的性能,因而得到广泛关注。深度学习算法对大量抽象数据的强拟合建模能力得益于深度学习网络模型中庞大的参数量及其复杂的计算迭代过程,然而这一过程通常需要消耗大量的计算资源及存储资源来完成模型的训练过程。目前基于深度学习算法的一维时序信号处理通常是在价格昂贵且功耗较大的GPU上完成的,这对其硬件化的落地实现提出了挑战。二值化网络将原始浮点型网络模型中的权重和激活值量化为两种固定值,可以提升模型的训练效率,并对传统深度学习网络模型进行压缩,从而降低模型对计算资源及存储资源的要求。因此,二值化网络模型具有计算简单且占用内存低的特点,有助于推进基于深度学习算法的一维时序信号处理在嵌入式系统的研发部署。本论文对一维时序信号处理的二值化网络模型展开研究设计,并以音频事件检测和光网络故障预测为例对所提出的方案进行验证分析。主要研究工作和创新点如下:提出并实现了面向一维时序信号处理的浮点型网络的二值化设计方案,采用基于浮点型数据的深度神经网络DNN模型及卷积神经网络CNN模型,分别对该两类模型进行二值化并搭建二值化深度神经网络(BDNN)及二值化卷积神经网络(BCNN)模型,在性能损失不大的前提下对音频事件检测和光网络故障预测两类场景进行二值化设计及分析。以音频事件检测为例,实验结果表明,在基于DCASE2018鸟叫声检测任务上,本论文中设计的BCNN模型可保留82.9%的CNN网络模型性能,BDNN模型体现了优于DNN模型0.6%的检测性能,同时二值化网络模型在新数据集上体现了更强的泛化性能,在训练过程中具有更快的收敛速度。以光网络故障预测为例,实验结果表明,通过运营商的现网数据进行比对,BDNN对光传送网系统故障预测的准确率可达97.79%,与浮点型DNN模型性能相当,且BDNN具有更快的模型收敛速度和更强的泛化性能。最后,以光网络故障预测为例,对所提出的一维时序信号深度学习处理算法的二值化方案进行了硬件计算资源占用量的对比分析。实验首先在FPGA上测试了不同比特数在乘加运算器、比较器的资源占用情况,并以网络模型中的单层神经元为例对比了二值化前后的理论资源占用量。实验结果表明,在单层前向传播计算过程中BDNN仅占用DNN所需资源的1.43%即可实现与DNN性能相当的性能效果,且BDNN中的通过两种值可在硬件中将原始网络的乘加运算简化为异或运算。