随着传感器的普及和感知技术的不断发展,越来越多的时序数据在连续不断地产生。这些时序数据中蕴含着丰富的信息,能够用于多种场景,例如预测城市中未来空气质量变化、工业监控数据自动风险排查、个性化商品推荐服务以及挖掘潜藏的自然规律等。其中时序相似性搜索作为时序分析的基本算子之一,用于支持以上应用,且这些应用普遍对其拥有较高的时效性要求。然而大数据时代的来临使得时序数据具有基数大、维度高且不断产生的特点,想要对海量时序数据进行有效存储和高效相似搜索非常困难,传统方案并不能很好地应对上述三大挑战。此外,键值数据库近年来因其海量的数据存储和高效的键值索引功能,受到了广泛的关注,但目前并没有基于键值数据库的时序相似性搜索研究。为更加便捷且高效地对海量时序数据进行存储管理和相似查询,本文利用键值数据库的海量存储和高效索引功能,构建了一套完整的从时序数据存储到时序相似搜索的框架方案,称为KV-Search。KV-Search具有查询效率高、框架扩展性强和应用灵活性好等特点,较好解决了大数据背景下时序数据基数大、维度高和不断产生的三大挑战。本文主要研究内容和创新点总结如下:（1）基于键值数据库设计了一种针对时序数据的分块键值存储策略,解决了时序数据“如何存”的问题。具体可分为如下两点:1)设计了一种基于切分的时序表示方式。本文对时序进行分块切分,将其划分为若干时间分块,并提出了块和块序列等概念进行编码,同时对编码后的时序之间的距离进行了定义,有效解决了时序数据维度高且不断产生的难点。2)设计了一种基于分块表示的键值存储策略。基于上述分块表示,本文通过对每个时间分块的键值对进行精心设计,将数据存入数据库,可管理海量数据并同时对其进行高效索引查询,解决了时序数据如何存的问题。（2）基于上述时序分块键值存储策略设计了一种分布式时序相似搜索算法,解决了时序数据“如何查”的问题。具体可分为如下两点:1)设计了两种查询时的剪枝操作,实现了无效数据的高效过滤。基于上述时序的分块键值存储策略,为尽量避免无效数据的扫描以加速查询,本文分别设计了极值剪枝和分块剪枝,不仅能够直接忽略指定扫描范围外的数据,并且能够以更小的时间复杂度代价判断某条数据是否在最终结果集中,有效解决了时序数据基数大的难点。2)设计了一种基于时序分块键值存储的分布式相似搜索算法。基于上述存储和剪枝策略,本文设计并实现了一套时序相似查询算法,可快速得到结果,并通过分布式实现,能够应对更大规模的数据查询需求,解决了时序数据如何查的问题。（3）基于真实数据集进行了大量实验,并基于京东城市时空数据引擎JUST实现KV-Search系统。具体可分为如下两点:1)在大规模真实数据集上对KV-Search的剪枝效率、查询性能和扩展性进行了全方位的实验和分析讨论,充分证明了所提算法的高效性和灵活性,同时也开源了所有实现和实验代码。2)基于现有平台对KVSearch进行了系统实现,用户仅输入一句简单的SQL语句便可实现上述复杂的时序相似搜索算法,极大简化了用户的查询流程,提升了用户的使用体验。