时间序列数据是一组具有顺序关系的实值型数据的集合,广泛存在于日常生活中的各个领域。这类数据通常存在数据规模大、局部形状特征丰富和数据维度高等特点。随着传感器设备的发展,越来越多的时间序列数据可以被用于科学研究和深入的数据挖掘。在过去几十年间,大量的研究人员也针对时间序列数据挖掘进行了广泛而深入的研究。时间序列分类问题是时间序列数据挖掘的重要任务之一。尽管在时间序列分类问题的研究上已经取得很多有效的成果,但依旧存在着一些待解决的问题。首先,时间序列中存在丰富的形状特征,我们如何克服噪声的影响对序列的形状特征进行有效表示;其次,在时间序列相似性度量中,我们如何有效的度量序列的局部形状相似性;最后,在对高维时间序列进行模式挖掘时,如何快速有效的挖掘模式用于分类。本文将针对上述三个问题对如何建立具有可解释性的基于序列形状特征的时间序列分类算法展开研究,主要工作如下:(1)针对现有的时间序列相似性度量方法仅仅考虑点对之间的距离函数,不具有可解释性的问题,提出了一种具有可解释性的基于动态时间规整(Dynamic Time Warpping,DTW)的时间序列相似性度量方法。该方法将时间序列的局部形状相似性度量与距离度量相结合,能够同时考虑序列的数值相似性和局部形状相似性。此外,本文的滤波策略和离散化策略还能够有效克服噪声对局部形状特征表示的影响。(2)针对现有的时间序列表示方法通常是提取子序列的均值、方差等统计特征,而忽略了时间序列的局部形状特征的问题,提出了一种基于趋势与统计特征袋模型的时间序列表示方法。该算法利用离散化的斜率来表示序列的局部趋势特征,并且使用加权直方图对趋势特征进行特征编码,能够在克服噪声的基础上有效表示序列局部形状特征。此外,该方法还融入子序列的均值和方差等统计特征,能够更加完整的表示原始序列。(3)针对现有的模式挖掘方法不能很好的权衡时间复杂度和分类准确率的问题,提出一种基于字典的多尺度多领域的时间序列模式挖掘方法。该方法能够在保留原始序列信息的基础上,大幅度减少候选模式数量。此外,本文使用单因素方差分析的方法对候选模式进行评价,利用F统计量来选择模式,能够保证模式的有效性。实验结果表明,本文提出的方法能够有效提升时间序列数据的分类准确率。具体的实例分析也体现了本文算法的可解释性。