在生物、神经心理学等许多学科领域中,一个基础性的研究问题是发现事物潜在的因果关系。揭示复杂系统中的因果关系有助于认识系统背后的自然机制从而辅助做出决策。传统方法通常基于随机控制试验来判断事物之间的因果关系,然而随机控制实验面临着耗费大量人力物力、违背伦理甚至是难以实施的问题。而因果关系发现算法研究如何从已有的观测数据中自动地发现因果关系,从而有效避免上述问题。然而,已有的面向多元时间序列的因果关系发现算法通常从单个个体的多元时间序列来学习多个观测变量之间的个体因果关系,忽略了多组观测变量的情况以及忽略了多个个体可能服从相同的因果关系的情况。对此,本文将多元时间序列按照变量维度和样本维度两个维度分别推广到两种多组时间序列的情况,即多组变量时间序列和多组个体时间序列两种情况,并对两种多组时间序列情况下的因果关系发现问题展开研究,具体工作如下:（1）面向多组变量时间序列情况下,因果关系发现的难点在于观测变量不是因果变量,因果关系发生在无法直接观测的、抽象的组别变量之间。对此,本文提出了一种面向多组变量时间序列的层次因果表示模型用于发现组别之间的因果关系。具体来说,本文引入了典型相关分析来对组内多个观测变量进行组别变量的表示学习;与此同时,在组别表示的基础上,利用长短期记忆神经网络来建模组别之间的非线性因果关系,并从优化问题的角度动态结合了组内因果表示和组间因果关系发现两个阶段,提出了一个新颖的带约束条件的目标函数。此外,本文提供了一种基于增广拉格朗日的模型训练方法,通过优化模型的目标函数来学习组别之间的因果关系。为了验证所提出模型的正确性和有效性,本文在仿真数据集和真实数据集中进行了一系列控制变量实验和敏感性分析。实验结果表明,相较于现有方法,所提出的层次因果表示模型能够更好地识别组别之间的因果关系,具有更高的精确率及1值。（2）面向多组个体时间序列情况下,因果关系发现的挑战在于如何识别具有相同因果关系的多个个体以及如何充分利用多个个体的时间序列学习组内相同的群体因果关系。为此,本文提出了一种面向多组个体时间序列的群体因果关系发现算法用于学习群体因果关系。具体而言,该算法分为两个阶段,第一个阶段设计了一个基于个体之间因果关系相似性的聚类算法,划分成多个组别,并且无须指定组别的个数;第二阶段在聚类结果的基础上,为每个组别使用了一种基于变分推断的因果关系发现方法从而充分利用组别内的所有个体样本,并学习群体因果关系。本文进一步在仿真数据和真实数据上验证了所提出算法的有效性。多组不同参数下的仿真实验结果表明,与现有因果关系发现方法相比,所提出群体因果关系发现算法的AUC评分提升了5-20%。真实数据集结果阐明了本文所提出的算法不仅具有因果关系发现能力,还具有多元时间序列聚类能力,其能够较好地区分具有不同因果关系的组别,并且能够学习出各组的群体因果关系。