随着工业物联网、大数据和人工智能技术的不断发展,传统工业开始向数字化转型和智能化升级,产生了大量数据。基于数据分析完成的智能决策在故障诊断、设备预测性维护等场景中发挥着重要作用。时间序列数据是工业物联网中非常重要的数据类型,时间序列相似性检索是众多分析任务的基础。然而,不同相似性检索场景中的可用信息（如领域知识和语义标注数据）存在较大差别。如何在不同场景下,利用给定的可用信息完成时间序列相似性检索任务,成为工业实践中面临的挑战。本文围绕工业物联网时间序列相似性检索展开研究,针对不同相似性检索场景中面临的挑战给出解决方案。本文主要创新点如下:·在拥有领域知识的场景中,针对传统单一阈值检索模式无法精确描述多阶段工况的问题,围绕子序列检索问题展开研究。总结了具有多分段、多阈值的复合模式描述方法,并提出了等长数据块特征以及相应的子序列索引。在保证对复合模式精确检索的前提下,显著降低了检索过程的计算复杂度;·在没有领域知识、但拥有语义标注数据的场景中,针对传统的数据无关距离度量无法有效刻画工况数据相似性的问题,围绕全序列检索问题展开研究。提出了基于最大间隔的汉明哈希索引。通过引入少量工况相似度标签辅助训练,提升了模型对工况数据间语义相似性的刻画能力。通过引入最大间隔概念和半批次优化方法,提升了模型对工业数据相似度标签不平衡、质量低等情况的容忍性,对工业时序数据语义相似性的刻画显著优于传统距离方法;·在领域知识与语义标注数据均不足的场景中,需要依靠领域专家的经验展开探索式分析。针对传统相似性检索技术无法兼顾响应时间约束与高查全率需求的问题,围绕全序列检索问题展开研究。以树形索引为研究对象,提出了基于神经网络和基于量化的两种优化方法。通过优化数据访问策略,显著提升了树形索引在响应时间约束下的查全率;·针对面向相似性检索的索引技术在时序数据库管理系统中集成不足的问题,依托工业物联网数据库管理系统Apache Io TDB,设计实现了可拓展的相似性索引机制,为Io TDB添加了子序列和全序列相似性检索功能,也为更多相似性索引技术与时序数据库管理系统的集成提供了平台。