在军事、工业过程监视、医疗诊断、机器人控制、物流管理、金融经济管理等系统中，我们面临的都是复杂的多流时间序列数据，如何利用计算机技术对多流时间序列信息快速、准确地加以分析、估计，评价，优化综合，具有重要的意义。如在农业生产中，温度的变化、气压的变化、虫害的变化、粮食产量的变化组成了多个数据流的时间序列，如果能够发现这些数据流之间的关系，用于指导实际生产，对于提高产量、防治灾害，有重要的现实意义。 当前对时间序列的研究集中在单一时间序列内部关系的发现如：趋势、序列模式、相似性模式的搜索，关联规则、周期的发现等等。研究多流时序不能简单地将它割裂为单流时序，因为这样就割裂了数据流事件之间的关系。虽然MSDD能够发现多流时间序列中的依赖模式，但是由于其缺少对数据的初始化、事件之间时间关系的表示不直观、算法执行的时间空间开销很大(O(n~5))、不能够充分发现多流时间序列包含的知识，它只发现依赖关系，因此研究新的，高效，全面的发现多流时间序列事件之间关系的算法成为必要。 本文分析了单一和多流时间序列中的知识发现，把多流时间序列事件内部存在的关系表示为：关联模式、依赖模式、突变模式。本文将它们统称为结构模式，而这正是目前其它算法、没有考虑到的，虽然MSDD考虑了事件之间的依赖关系，但它忽略了突变模式，关联模式等重要的知识表示。本文给出了关联模式、依赖模式、突变模式的定义，提出了一个比较灵活全面、直观的挖掘它们的算法：时间窗口移动筛选算法TWMA(Time Window Moving And Filtering Algorithm)。该算法的一个突出特点是将时间序列事件按时间窗口序列化，使得事件之间的时间关系表示很直观，该算法能成功地从多流时间序列中发现了事件之间的关系。该算法与其它算法比较，发现的知识更丰富，时空开销小，时间复杂度为(O(n~3))，算法直观，简洁。我还用VC＋＋成功设计了一个挖掘器，并对由医院门诊数据流、气温变化数据流、气压变化数据流组成的多流时间序列进行了挖掘，证明了TWMA是可行。 面对数据的海洋，传统的单机串行算法己经不能适应快速、实时的知识需求，研究面向多机、并行、分布式的数据挖掘模型越来越重要。本文通过分析当前主要的并行模型、算法，总结出它们面临的共同问题是：处理机容量的限制和处理机需要传输大量的数据，于是，本文在TWMA的基础上提出了PTWMA，采用了表对应技术、以及算法本身不需要反复传输大项集的策略来克服了上述两个问题。PTWMA 为分布式，并行控掘多流时间序列提供了一种有效的算法和模型。