本发明涉及数据处理与建模技术领域。本发明提出了一种基于深度学习模型的时变体数据时间超分辨率可视化方法，首先基于梯度直方图提取关键体素，在保留原始数据空间特征的同时缩减数据规模。接下来，训练多尺度的变分自编码器，获得具有特征提取功能的编码器，以及体数据生成功能的解码器，由此可以将时变体数据序列的生成问题转换为隐变量序列的生成问题，从而可以在更加简洁且能够表达体数据潜在信息的低维特征空间中，对体数据进行处理和生成。在隐空间中，提出两种思路拟合各个时间步数据隐变量之间的时序关系：一种方法是将数据直接投影到二维，在数据整体时序发展趋势的基础上插值得到新数据的隐变量，并进一步得到对应的体数据序列。