多元时间序列广泛存在于各个应用领域中,如天文、金融、气象等。多元时间序列由于其含有多个变量的特殊性,使得其研究变得更加接近实际。通过对多元时间序列数据的挖掘,能够有效的帮助决策者进行正确的分析与决策,因而对多元时间序列数据挖掘的研究越来越受到人们的重视。多元时间序列数据挖掘主要包括相似性搜索、分类、聚类、预测、规则发现等。其中,相似性搜索问题是所有其它问题的重要前提和基础,其它问题都是在相似性搜索的基础上进行的,因此对多元时间序列相似性问题的研究显得尤为重要。通过阅读及研究大量国内外时间序列数据挖掘及相似性搜索领域的文献,本文系统的研究总结了当前多元时间序列相似性搜索技术的发展状况,以技术发展框架为前提,对相似性搜索各个阶段中典型的算法进行了详细的描述和分析,指出所存在的问题,并在此基础上提出了相应的解决方法,主要研究工作包括：(1)本文将EMD(经验模式分解)方法应用到多元时间序列当中,该方法首先用EMD方法对多元时间序列的每一维进行趋势提取,形成一个多元时间序列的趋势面；之后对这个多元时间序列趋势面用自底向上分段的方法进行分段,并将分段转化成由｛-1,0,1}构成的字符序列矩阵；最后通过统计字符序列矩阵的相似段数来比较两个多元时间序列的相似性。(2)本文提出用分层方法对多元时间序列进行相似性匹配,该方法首先利用下界距离过滤进行粗匹配,然后对筛选过的候选序列利用经验模式分解方法提取数据序列的趋势,并利用自底向上分段算法对趋势序列进行分段,将其转化为由｛-1,0,1}构成的字符矩阵,对字符矩阵进行二次匹配；最后用欧氏距离对其进行最终匹配。