多维时间序列是现实中广泛存在的一种数据类型，因而对多维时间序列的分析和数据挖掘有着重要的意义。相似性度量作为多维时间序列分析的关键之一，现有的方法存在诸多不足。本文提出一种计算多维时间序列相似度的方法，将衡量单维时间序列相似度的DTW扩展至多维时间序列，并结合度量学习算法LMNN，进而得到对多维时间序列更好的相似性度量效果。　　本文主要的研究工作如下:　　(1)DTW是计算单维时间序列相似度的常用方法，其主要缺陷是存在奇异点和高时间复杂度的问题。本文首先针对DTW的奇异点问题提出一种改进方法:通过同时考虑时间序列的数值信息和梯度信息来构造新的特征，在不引入额外参数的条件下解决奇异点问题（称为SDTW）。然后，将特征提取和降维算法PLA与SDTW相结合来解决DTW的高时间复杂度问题（称为PLA-SDTW）。仿真对比实验验证了SDTW在有效解决DTW奇异点问题的同时，能够提高度量的准确性。进一步地，在保证与SDTW近乎相同度量效果的同时，PLA-SDTW的时间消耗远远小于其他方法。　　(2)为了度量多维时间序列的相似性，需要将DTW从单维扩展到多维，并需要同时解决多个变量之间的相关性度量。度量学习方法（如常用的LMNN）能够从训练集学习得到特征空间中更好的距离度量准则。本文将DTW与LMNN相结合得到LMNN-DTW模型，用来度量多维时间序列的相似度。首先，使用基于马氏距离的DTW来度量多维时间序列的相似性，通过马氏矩阵来表示多个变量之间的相关性度量。然后，使用LMNN算法，通过最小化特定的损失函数，来优化得到马氏矩阵。仿真对比实验验证了LMNN-DTW的效果与当前最好的LDML-DTW方法相近，且明显好于其他方法，从而证明了该模型的有效性和优越性。　　(3)考虑到前文提出的SDTW能够有效地解决DTW奇异点问题，且具有更好的度量准确性，因此用SDTW替换DTW，与LMNN结合得到LMNN-SDTW模型。仿真实验验证了LMNN-SDTW的效果与当前最好的LDML-DTW方法相近，且优于LMNN-DTW，同时明显好于其他方法，从而证明了LMNN-SDTW模型对多维时间序列相似性度量的优越性。