时间序列的相似性搜索,是根据给定的查询目标在时间序列候选数据中正确、快速查找到符合要求的数据。随着信息化技术的广泛应用,以及物联网技术的蓬勃发展,时间序列呈多元化的发展趋势,给相似性搜索工作带来极大挑战,主要体现为:（1）由于多元变量之间存在复杂的相关性,以及现有多元时间序列数据普遍缺少先验信息的数据现状,对多元时间序列相似性进行精确度量的难度较大;（2）传统的空间索引结构在处理高维数据时面临空间开销激增、查询效率降低的难题。针对上述问题,本文研究了基于机器学习的多元时间序列特征表示方法及相似性度量方法、探索了机器学习技术用于加速搜索过程的可行性。主要工作如下:（1）针对无标签情况下的序列特征表示问题,使用了自监督度量学习的方法解决了基于机器学习的特征表示对数据标签的依赖问题,通过基于分段线性近似的时间序列数据增强方法解决度量学习中的样本构造问题。通过改进的卷积神经网络与卷积注意力模块,结合Triplet Loss度量学习损失函数优化特征空间的数据分布情况,在保持数据相似关系的基础上将原始数据嵌入低维特征空间,并使用公开数据集对算法的有效性进行了验证。（2）针对传统空间索引在多元数据场景中空间开销大、更新开销大进而影响搜索效率的问题,提出了基于学习索引的多元时间序列相似性搜索方法,首先基于semi-hard采样策略进一步优化自监督度量学习过程,缩小特征空间中同类数据的类内间距,优化了特征空间的数据分布情况。随后引入学习索引方法,将原始数据对应的特征向量进一步投影为可排序的标量并基于该标量重新组织原始数据的存储位置。随后使用递归模型索引结构对标量的分布情况进行拟合,进而学习到高维数据的分布特征,并最终通过查询序列对应的标量值预测相似数据的存储位置。基于公开数据集的进行实验,验证了基于本文提出的特征表示方法与学习索引的相似性搜索方法的可行性。（3）梳理了现实应用场景中的使用需求,设计并开发了多元时间序列相似性搜索工具,整合了传统的多元时间序列比较方法以及本文提出的基于特征表示的相似度比较方法,实现了多元时间序列相似性度量及搜索,并在公开数据集上验证了可用性。