时间序列中普遍存在着周期性的行为,从时间序列数据库中提取出周期性规则,即周期模式挖掘在时间序列数据挖掘中具有很重要的地位,异步周期模式挖掘作为时间序列周期模式挖掘的一个分支,是时间序列数据挖掘的前沿领域,具有重要的理论研究价值和现实应用意义。当前的时间序列周期模式挖掘研究,主要集中在了同步周期模式挖掘。然而,当时间序列中存在一些噪声,或者出现一些数据集缺失,或者是特定的数据集插入,使得周期模式发生错位时,现有的同步周期模式挖掘算法很难找到时间序列中隐藏的周期模式。在金融、交通、电力和生物信息等时间序列数据库中,异步周期模式是广泛存在的。目前对其研究的人还很少,因此本文选择时间序列异步周期模式挖掘作为主要研究对象。本文首先对时间序列数据挖掘及周期模式挖掘进行评述,重点综述了时间序列异步周期模式挖掘的研究进展,之后,详细介绍了异步周期模式挖掘的基本定义,当前异步周期模式挖掘的四个相关算法:两阶段算法、SMCA算法、OMMA算法和E-MAP算法,这些内容是本为的研究基础,贯穿于时间序列周期模式挖掘算法研究的全过程。本文重点对当前异步周期模式挖掘的四种典型算法进行比较,主要从挖掘对象、片段终止位置定义、挖掘过程、扫描时间序列数据库次数、时间复杂度和空间复杂度等多个方面,分析比较各算法的优点和不足,从中发现异步周期模式挖掘的改进方向。考虑到大部分时间序列的不可回溯性,本为创新的提出了一种基于动态链表结构的异步周期模式挖掘算法,它使用链表结构,有效地节省了存储空间,并且只需对时间序列数据库扫描一次便可得到用户所需的复杂模式,无需经过生成单事件一模式和多事件一模式这两个阶段,最后采用人工数据和实际的基因序列数据进行仿真,实验结果表明了本文所提算法的有效性。