近年来随着互联网技术的爆发性发展,图像、文本以及医疗等数据规模开始呈指数性增长。数据量加大的同时数据的特征也开始越来越多,导致存在的数据都有很高的维度。同时越来越多的高维数据在实际采集中以相同的时间间隔或者以相同的频率采集,得到随时间的变化而变化的数据,如气象、医疗信息等,该数据典型的特征是关于时间的函数。时间属性高维数据是一种非常重要的数据类型,具有规模大、特征维度高和短时间内连接紧密的特点,同时具有时间属性的高维数据空间中存在着大量的冗余信息和复杂的分布特性,这使得从此类大规模高维数据中寻找有价值的信息比较困难,给数据的分析带来了很大的困难,因此对具有时间属性的高维数据进行降维研究具有十分重要的意义。高维数据的降维聚类是数据挖掘和模式识别领域的重要组成部分。数据降维是将高维空间中数据通过投影等方式映射到低维空间,从而得到高维数据的低维度表示或是相互关系表达。为了保证高维数据中的时间属性在降维过程中得以保持,本文以非负矩阵分解算法为基础,提出了一种时间约束非负矩阵分解算法(T ime constraint Non-negative Matrix Factorization,TNMF)。该算法通过融合时间序列信息、数据维度,分解误差等约束条件,共同构建时间属性约束模型,计算最优基矩阵维度,能在降维的同时最大限度地保留原始高维数据的空间结构和时间序列信息。为了验证时间约束非负矩阵分解算法在实际场景中的降维效果,将其用于脑动态功能网络降维,并从以下二个方面展开了实验及分析:一是将本文算法同非线性降维算法t-SNE和线性降维算法PCA进行对比,通过可视化结果和聚类评价指标值来分析本文方法的降维效果,实验结果表明本文提出的算法在时间特征提取、聚类可视化效果和聚类指标上明显优于目前常用的降维聚类算法,TNMF算法能将脑网络状态自动地聚成几个不同的类,不同类间的界限清晰,并且没有出现不同类间的交叉现象,同一类的状态随时间而有序分布,保留了这些状态在高维空间内的时间属性;二是将本文提出的算法应用到自闭症患者和健康受试者的脑动态功能网络分析,结果表明TNMF算法同时能更明显地区分出自闭症患者和健康受试者在脑动态功能网络属性上的不同,同时对比其它算法本文算法在查准率,召回率等指标上效果更好。