时间序列是数据挖掘领域中的热点研究对象,其研究重点是如何从时间序列数据中发现有价值的信息以指导实际工作,其中时间序列聚类方法是时间序列数据挖掘领域中的重要研究内容。由shapelets衍生的u-shapelets(unsupervised shapelets)能够在无标记的情况下完成时间序列的准确划分。基于u-shapelets的时间序列聚类方法利用不同时间序列间局部特征的差异性进行聚类,其聚类结果具有极强的解释性,且很大程度上避免了噪声的影响。但是该方法仍然存在亟需解决的问题,本文围绕这些问题进行了深入研究。首先,针对现有基于u-shapelets的时间序列聚类方法中子序列质量评估方法以及u-shapelets集合选取方式不当的问题,本文对多种子序列质量评估方法展开了研究,证明了I index是一种合适的子序列质量评估方法,并在此基础上结合多样化top-k查询技术提出了一种基于最佳u-shapelets的时间序列聚类方法(Div Ushap Cluster)。实验表明:与传统聚类方法相比,Div Ushap Cluster方法的整体效果最佳;与现有的Brute Force方法和SUSh方法相比,该方法能够保证在多数数据集上运行时间基本保持不变,并且在多个数据集上的准确度较前两者均提升了30%。其次,针对现有基于u-shapelets的时间序列聚类方法在规模较大的数据集上运行时间大幅增长的问题,本文在Div Ushap Cluster方法的基础上提出了基于最佳u-shapelets的快速时间序列聚类方法(Fast Ushap Cluster)。该方法通过使用转折点和R-tree索引结构来降低u-shapelets子序列候选集的量级,并以此达到降低时间复杂度的目的。实验表明:在平均运行时间上,Fast Ushap Cluster方法与Div Ushap Cluster方法和SUSh方法相比分别提速了21倍和71倍;在平均聚类准确度上,Fast Ushap Cluster方法的平均聚类准确度为0.74201略小于Div Ushap Cluster方法的0.75477,远大于SUSh方法的0.58875。最后,在理论研究的基础上设计并实现了基于u-shapelets的时间序列聚类原型系统,通过可视化的手段验证了本文提出的研究方法的有效性。基于u-shapelets的时间序列聚类原型系统使用模块化开发方式提高系统的可拓展性,并提供查看时间序列、u-shapelets集合以及Fast Ushap Cluster方法与SUSh方法的聚类效果对比的功能,以更直观的了解基于u-shapelets的时间序列聚类过程。