传统Hurst指数为一个常数,只能描述数据整体的自相似性,其估计结果无法描述这些数据局部突变的信息。但最近的研究表明大量自相似数据体现出局部自相似特性,即相对于数据整体的自相似参数,其局部的Hurst指数有所不同。数据的局部自相似特性可以有效描述数据的局部相关特征,是传统自相似参数的一种广义化形式。因此,数据的局部自相似特性分析逐渐受到重视。研究和分析时间序列数据的局部自相似性,对于建立更加准确的系统模型及未来趋势的分析预测都具有十分重要的意义。为了分析数据的局部自相似特性、改善时变Hurst指数估计的准确性,本文利用加入Alpha稳定分布噪声的时间序列模拟数据的局部突变环境,针对传统R/S估计算法中存在的计算准确性低、效率差的缺陷,对其算法中的重新标度环节进行改进,给出一种基于序列长度公约数的改进R/S估计算法,并结合滑动窗函数分析加噪环境下,时间序列时变Hurst指数估计的可靠性。此外,为了验证本研究中时变Hurst指数估计算法的有效性,将结合滑动窗函数的改进R/S估计算法应用于实际网络流量中,并得到较好的分析结果。本文给出的改进算法消除了传统R/S估计算法在重新标度方法上的欠缺,扩大了Hurst指数估计算法的适用范围,对网络流量数据自相似性分析提供了一种有效方法。