时间序列是由一系列时序点组成的数据集合,时序点内包含了时间信息和与时间对应的数据值。随着信息时代的到来,时间序列变得越来越庞大和复杂,并存在于社会经济生活的各个方面。由于时间序列既有高维海量、噪声干扰、频繁波动等传统特点,又具有实时更新的新特点,对时间序列的数据挖掘仍面临着很多的问题,常常无法获得令人满意的结果。在对时间序列进行特征提取后可实现压缩存储、降维去噪,对改善时间序列分类方法有着重要意义。本文对时间序列的特征提取和分类方法开展了研究,主要的研究工作内容可概括为:（一）本文提出一种基于模态重构与多维评价的时间序列离线特征提取方法。该方法在经典的重要点策略的基础上,首先遍历整个时间序列,查询到所有的重要点作为时间序列分段点的候选集。然后运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子,并使用全局因子度量重要点在整体维度上的重要程度,随后给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度。最后根据三个评价因子综合评价重要点来选取分段点,完成对时间序列的趋势特征提取。实验结果表明:本文所提出的离线的时间序列趋势特征提取方法能够更好地滤除噪声干扰,在相同的压缩率情况下的拟合精度比现有方法高,能够全面准确地提取时间序列的趋势特征。（二）本文提出一种基于可行性空间窗口与自底向上策略的时间序列在线特征提取方法。该方法借鉴了经典的基于滑动窗口与自底向上策略方法的思路,结合了现有的可行性空间窗口方法和自底向上策略,使得该方法兼具可行性空间窗口方法的在线高效处理的优势和自底向上方法的表示精度高的优势。实验结果表明:本文所提出的在线的时间序列趋势特征提取方法能够有效地加快时间序列趋势特征的提取速度,同时保持了较小的拟合误差。（三）本文提出了两种时间序列Shapelets分类方法的优化策略。两种策略在本文提出的两种特征提取方法的基础上,结合已有的代表性时间序列集合策略,通过精简Shapelets候选集达到加速分类的效果。实验结果表明:本文提出的两种优化策略分别在分类精度和分类效率上存在优势。