随着计算机、网络和通讯等信息技术和数据存储技术的迅速发展，人们获取和存储的数据急剧增长，出现了“数据泛滥，知识贫乏”的现象。传统的数据库技术和数据查询方法由于不能有效的组织和处理这些海量数据，已经不能满足人们对隐含在数据中的知识的渴求，数据挖掘技术随之应运而生，并得到了迅速的发展。数据挖掘时数据库、人工智能、模式识别和统计分析等学科相互交叉、结合的前沿性研究领域。它的出现为人们有效地从海量数据中得到有用的信息和知识提供了有力的手段。 目前计算机上存储了越来越多的时序数据信息，作为数据的重要存储和表现形式，时间序列数据广泛的存在于各个领域中，例如证券公司的大量股票信息，商场的售货中大量的销售信息，人造卫星观测的气象信息和广泛的以时间推移存储的数据等信息。时间序列的数据挖掘时数据挖掘中的一个重要的领域，近年来越来越引起人们的重视。时间序列的数据挖掘帮助人们获得时序数据中隐含的、有价值的信息和知识。例如电力负荷系统时间序列数据中就包含着关于电力负荷特征的信息，股票时间序列中包含着有关股票规律的潜在信息。因此，从时间序列数据中挖掘潜在的有用的知识具有重要的理论和实践意义。 本文比较深入地研究了时间序列的数据挖掘问题，对其挖掘方法进行了归纳和整理。在介绍目前时间序列的数据挖掘领域比较经典的一些思想和方法的基础上，在时间序列的相似性，离群性和趋势性等方面提出了一些新的思路和方法。本文的主要研究内容下。 1、对时序数据相似性挖掘方法进行了深入的研究。首先介绍了相似性以及欧几里的距离空间的基本概念，以及目前使用较为广泛的离散复利叶变换进行时序数据相似性挖掘的基本方法。然后提出了一种基于小波的相似性挖掘算法，这种方法采用了另外的判别函数对序列的相似性进行判别。采用小波变换将数据降维，用尽量小的数据量进行相似性的匹配；同时采用了改进的快速排序法处理排序结果，有效的减少了计算量。此外，本方法对数据相似性分析中存在的幅值以及偏移的情况有很好的去除。 2、对时序数据离群挖掘进行了深入的研究。首先介绍了基于距离的离群挖掘方法以及相关的定义。然后提出了一种基于小波的相似系数离群挖掘算法。这种方法采用了小波变换得到的细节分量作为分析对象，对数据进行降维处理；计算数据对象间的相似系数进行离群挖掘。同样，可以使用改进的快速排序方法处理排序结果，也可以有效的减少计算量。 3、对时序数据趋势挖掘进行了深入的研究。介绍了两种趋势挖掘方法。第一部分介绍了基于小波的神经网络时序数据趋势挖掘算法。第二部分介绍了基于相似日的时序数据趋势挖掘算法。本章中重点阐述了基于相似日的趋势挖掘算法，介绍了相似日的选取以及利用误差反馈进行修正的思想。