一个动态事件按时间线顺序获取的一组序列数据称之为时间序列(Time Series)。时间序列数据挖掘是一个具有挑战性的研究领域。在语音识别、电力负荷预测、故障诊断、生物信息学、患者护理等领域中具有多种应用。但由于时间序列数据连续高维、形态复杂、幅值动态变化等特性,难以有效分析其隐含信息和规律。在时间序列的分类聚类等数据挖掘任务中,以计算序列之间的相似度分析序列数据样例之间的关系或相似性是时间序列数据挖掘问题的核心之一。传统的欧氏距离、余弦距离和动态时间弯曲等相似性度量方法均是仅针对数据自身来计算差异,忽略了不同数据集所包含的知识标注对相似性度量的作用,一个合适且有效的“动态”相似性度量非常关键。为此提出基于孪生神经网络(SNN)的时间序列相似性度量方法,并将研究成果应用于时间序列分类和滚动轴承的故障诊断。论文首先提出一种考量时间序列相似性的度量学习方法,该方法基于孪生神经网络,从样例标签的监督信息中学习数据之间的邻域关系,挖掘出时间序列的隐含特征表示。论文分析了不同相似性度量下样本假设间隔的变化,并通过降维可视化展示SNN输出的特征向量空间分布:其次结合最近邻算法(1NN)对22组不同领域的UCR时间序列数据集进行分类实验。实验结果表明,所述方法能有效衡量时间序列相似程度,与基于欧式距离和动态时间弯曲度量的分类方法相比分类精度总体上有明显的提升,对高维、复杂的时序数据分类有不错的表现。最后分别将基于前馈神经网络的SNN-1NN算法和一维卷积网络改善的SCNN-1NN算法用于判断轴承运行状态。使用轴承故障模拟实验平台采集的一维轴承振动信号数据,测试了多种不同方法下轴承故障诊断的正确率。结果表明,SCNN-1NN方法在轴承故障诊断实验中有较高的准确率与效率。论文对比分析不同相似性度量方法近邻分类算法的时序数据分类性能,经实验验证基于孪生神经网络的度量学习方法用于时间序列相似度计算和滚动轴承故障诊断,可有效提高近邻分类算法的鲁棒性,同时对于发现轴承故障减少生产事故和降低经济损失意义重大,论文方法具有良好的应用前景。