时间序列中的相似性检索是大规模数据驱动应用程序中的常见操作。它也是时间序列数据挖掘算法的主要子程序。时间序列的表示和复杂的相似性度量是时间序列相似性研究的基础,对完成时间序列相似性搜索的任务起着至关重要的作用。时间序列子序列的相似性检索处于数据挖掘技术的核心地位,它在不同应用领域（包括神经科学、金融学、气象学、人体健康检测、数据检索等）的研究也越来越广泛。然而,由于数据序列的海量以及高维性,使得数据挖掘的难度明显提高。所以,在我们获取到时间序列之后,领域专家就面临着对数据分析处理的难题。常用的方法是对数据序列进行特征表示,通过特征表示从而达到有效降低数据的维度,然后再使用距离度量进行相似性判别。因此,我们通过采用时间序列表示和相似性度量相结合的方法实现时间序列子序列的相似性检索。在本文中,针对海量数据库序列的维度大、计算复杂的问题,提出了两种新的索引技术进行时间序列子序列相似性检索。具体内容如下:（1）提出一种类似于B+树的索引构建方法,首先将输入的时间序列进行正则化,对正则化之后的序列进行分段聚集近似（PAA）的降维处理,然后将PAA降维后的结果进行离散化。然后,根据离散化的序列进行索引树的构建。最后在构建的索引树上进行变长子序列的相似性查询。（2）提出了一种新型的哈希映射函数,这是一种基于数据独立散列的哈希算法,其核心思想是对数据集中的点进行哈希运算,使得距离近的点冲突的概率远大于距离远的点冲突的概率。在查询时,将查询点按照相同的哈希函数散列到桶中,然后取出桶中的所有点作为候选近似最近邻点,最后计算查询点与每个候选近似最近邻点的距离,通过该距离判断是否符合查询条件。通过大量实验表明,我们的索引算法可以使得可变长子序列的相似性检索更加简洁高效。