基于多指标时间序列数据分析的综合评价技术被广泛应用于企业决策、故障诊断、智慧医疗和气象预测等领域。多指标时间序列数据由多个单一的时间序列数据组成,各个指标序列数据之间存在一定的异构性特点,例如企业财务数据和人力资源数据,在时间序列数据采集周期、数据有效范围等方面存在较大的差异性。与此同时,不同的综合评价对象主体之间在多指标数据的完整性和有效性方面也存在差异,例如在企业市场投资决策时,上市企业和未上市的企业在股票指标如总股本等指标上具有不同的含义,所以股票指标不适用于分析未上市企业的财务状况,应该给予剔除以减少评价方法的执行难度。根据调研,在全指标体系下,目前的研究针对个体对象的多指标优化筛选缺乏有效客观的方法,并且时间序列数据分类的研究也大多针对单一指标。因此,如何对多指标时间序列数据进行有效的优化筛选和分类是目前综合评价应用中亟待解决的关键技术。为了解决以上问题,本文首先定义了基于指标关联性的多指标优化问题,设计了对应的求解算法;其次,基于优化后的指标体系,提出了一种基于多指标shapelets时间序列数据的分类方法。主要工作如下:1)提出了基于关联性约束的多指标优化问题（Multi-Index Optimization Based on Relevance Constraints,MIO-RC）,对该问题进行了理论化的证明和时间复杂度分析,证明MIO-RC问题是NP-hard问题。根据是否考虑指标间关联性约束的不同应用场景,分别设计了动态规划算法和IR-GA算法来求解该问题。2)基于优化后的多指标时间序列,本文充分考虑了目前方法以单指标时间序列数据对对象分类不准确、分类结果不具有可解释性等问题,提出了基于多指标shapelets时间序列数据的分类方法。该方法首先对具有数据缺失的指标数据进行数据预处理,使处理后的数据能够满足模型的运行;其次基于shapelets学习技术从多个指标的指标数据提取每个指标的多组shapelets,即捕获每个指标的时间序列数据的不同特征;最后结合多指标shapelets和加权投票完成对个体对象的最终分类。本文最后利用大量企业财务数据从多指标优化问题的求解算法的优化性能、收敛性以及多指标时间序列数据的分类准确率等角度对研究内容进行了实验分析,实验结果证明了本文提出的算法不仅能够有效的解决多指标时间序列数据分析问题,而且收敛更快,准确率能达到比传统方法提升了约3%的效果。