随着社会发展,数据类型愈发多样化,时间序列数据是随时间变化生成的一系列连续实值,通常在时间上存在前后关系,它的特点是数据量大、数据维度高以及随时间变化更新。对时间序列数据进行分类是数据挖掘领域重要研究内容,考虑到时间序列数据通常是在一段子序列中表现出类别之间的差异,因此shapelet作为具有较高区分度的子序列也就引起重视。基于shapelet的时间序列分类算法具备可解释性、分类速度快、分类准确率高的特点,当前仍需改进的问题有shapelet的提取消耗大量时间以及多类时间序列数据分类准确度不理想,因此本文的相关研究工作如下:（1）针对基于从原始时间序列数据集中直接提取shapelet消耗大量时间的问题,提出一种基于相似性度量改进方法的shapelet学习算法。首先将局部敏感哈希函数和动态时间扭曲距离结合生成一个相似性度量改进方法,对数据集进行预处理,去除大量相似序列避免相似shapelet生成;然后再通过学习函数学习出具有较高区分度的shapelet;最后使用生成的最终shapelet集对时间序列数据进行分类。选取UCR中15个数据集进行实验,同多种时间序列分类算法进行对比,在12个数据集的分类准确率上处于领先。实验时间消耗对比中,在15个数据集的表现均优于其他三个基于shapelet的时间序列分类算法。（2）针对现有shapelet质量评估标准存在不足,无法从多类数据中提取出代表一类时间序列的shapelet,从而导致多类数据分类准确率不高的问题,提出一种shapelet提取的改进算法。将改进算法提取出的shapelet命名为单类shapelet,它是通过将它来源的时间序列类,与数据集中其他所有类区分程度来评估质量,又提出长度参数估计算法来确定shapelet的长度范围,最后使用提取出的单类shapelet将时间序列数据转换成普通数据,再使用1NN算法对数据进行分类。选取UCR数据集中9个多类时间序列数据进行实验验证,在与多种时间序列分类算法对比后,本文提出算法的分类准确率在实验对比中具备优势,与传统shapelet转换数据的算法对比中,在其中7个数据集的分类准确率中具有优势。