随着信息时代的到来,大量自动化设备投入日常生活,时间序列数据源源不断地产生。有效利用这些无标签的数据能够带来潜在的经济价值。聚类作为无监督数据挖掘的重要方法之一,在发现数据隐含模式上有着无法比拟的优势,因此利用聚类来处理无标签时序数据具有重要意义。基于距离度量或特征工程的传统时序聚类方法难以克服较长时间尺度带来的影响以进行有效聚类。而现有的无监督表示学习聚类方法在获取时序特征进行聚类时,存在学习过程与聚类任务难以有效结合的问题。利用对比学习与聚类任务在拉近相似样本、推远不相似样本的一致性,可以将对比学习过程与聚类联合优化,因此本文基于对比表示学习对时间序列数据聚类问题展开研究。针对对比表示学习在随机采样负样本时可能包含同类样本而导致的采样偏倚问题,本文提出了消除对比采样偏倚的动量表示学习时序聚类方法。该方法使用根据时序数据特点而设计的动量时序对比表示模块,增大负样本的选取范围并获得更有效的时序特征。然后利用树状聚类模块进行逐层K-means聚类,依据聚类结果采样候选负样本来消除数据偏倚。最后在对比损失函数的设计中,根据树状聚类结果增加聚类中心对比损失,引导对比学习与聚类目标的直接结合。实验结果表明该方法在部分困难数据集上获得了显著提升,最优个数超出次优方法2个,两个指标平均提升2.69%和1.82%。针对上述方法对样本在特征空间中的拓扑结构信息利用不足的问题,以及对比损失的计算依赖额外K-means聚类任务引导的问题,本文提出了融合拓扑结构信息的对比表示学习时序聚类方法。该方法一方面增强时序编码器的表示能力以获取可靠的特征空间,然后评估样本特征向量在特征空间中的距离,利用其拓扑结构来构建自适应图。借助图结构使用图卷积网络对邻居样本的特征进行聚合,引入拓扑结构信息得到最终的表示向量。另一方面利用相似性动态门限对比选择模块,消除数据偏倚的同时解除对额外聚类结果的依赖。该模块通过调整门限引导对比学习按从小到大的范围逐步选择正样本,模拟逐层树状聚类的过程,将表示学习与聚类相统一。实验结果表明该方法取得了聚类效果的显著提升,最优个数超出次优方法6个,两个指标平均提升3.68%和4.08%。