随着人工智能和大数据时代的到来和盛行,数据成为互联网时代最有价值的东西。现如今的生活中离不开数据,我们无时无刻不在接触数据,因此,数据挖掘任务变得尤为重要。数据挖掘任务中较为典型的则是针对时间序列的数据挖掘。众所周知,时间序列具备数据量大、维数高和更新速度快等特征,且多用于股票和心电图等领域,而时间序列的挖掘任务也有很多种,如时序的分类和聚类、相似性搜索以及异常检测等。而对于时间序列的相似性搜索任务中,又不可避免的需要涉及到时间序列的特征表示和相似性度量这两个基础挖掘工作。这两项工作也是众多研究者较为感兴趣的课题。动态时间规整算法（DTW）作为一种高效处理时间序列相似性度量问题的算法,具有不错的鲁棒性。但针对时间序列的特征,直接进行DTW相似性度量将会大大浪费运算成本,使得算法的性能难以达到预期效果。因此,对时间序列进行预处理以及合理的平衡基于动态时间规整的相似性度量的性能问题成为了本课题研究的重点。本课题将基于时间序列的表示方法和相似性度量这两个方面展开研究,并完成以下工作内容:（1）针对时间序列降维工作,提出了一种基于时态边缘算子的自主分段表示方法。受到图像处理中边缘检测算子的启发,提出一种时态边缘算子,从而实现了对时间序列特征点的检测和识别,然后设计出一种自主分段表示方法,采用趋势转折距离的关联规则进行自主线性分段得到关键点,并用关键点组成的序列来线性近似的表示原始时间序列。该方法针对不同规模的数据集具有良好的适应性和稳定性,有效降低了拟合误差。（2）在相似性度量的研究中,本课题提出一种基于DTW下界函数的提前终止算法（LB＿ESDTW）。从动态时间规整算法的原理出发,并结合提前终止算法,提出提前终止的动态时间规整算法,旨在减少DTW累积矩阵中不必要的距离计算,并在此基础上设计一种DTW下界函数的提前终止算法,在提高算法的运行效率的同时,也保证了算法的度量准确率,即得到了时间效率与准确率的良好平衡性。（3）将“基于时态边缘算子的自主分段表示法”与“基于DTW下界函数的提前终止算法”相融合,提出一种基于动态时间规整的时间序列相似性度量的分段融合算法,并设计了其融合算法的系统框架,当选择适当的全局约束与压缩率时,能显著提升度量性能。