随着信息传输及数据存储技术的深度发展,时间序列相关的应用领域不断拓宽,金融、医疗、气象、销售等诸多领域时刻产生着各种类型的时间序列数据,数据规模大且无标签。从这些海量数据里挖掘出具有重大潜在价值的信息,在推动信息技术融合应用与信息产业高速增长、促进数字经济健康有序发展等方面具有广泛而深远的意义。聚类作为一种无监督学习方法,比逻辑回归、决策树、支持向量机等监督学习方法更适合对无标签数据的挖掘分析,因此,如何精准、高效地对时间序列数据进行聚类成为当前流数据处理领域研究的热点问题。受环境及人为因素影响,时间序列在结构上存在伸缩、漂移等失真问题,导致序列间距离度量的准确度较低。此外,时间序列数据集中含有大量噪声数据,噪声数据的存在极大地影响正常序列的聚类精度与效率。现有聚类方法多直接对结构复杂的时间序列数据聚类,未考虑聚类对象的转化,聚类准确率低、可靠性不足、效率不高且去噪质量差。本文对时间序列聚类问题展开了深入研究,针对现有方法的不足,提出一种面向时间序列的动态矩阵聚类方法,主要研究工作及创新点如下:（1）提出RDS（Representative and Diversifying Sequences）候选集选取及去噪方法。首先,引入互相关距离度量方法,并通过快速傅里叶变换与逆变换进行距离计算,在确保准确性的同时提高计算效率;其次,在序列的r近邻密度和反向近邻数的基础上提出序列近邻评价规则,根据近邻评分的大小对数据集中序列的代表性进行衡量;最后,提出近邻评分的差分计算策略,根据差分极值点确定评分突变位置,进而将数据集划分为三个类别,有效去除数据集中的噪声并构建RDS候选集,为后续的矩阵聚类工作做准备。（2）提出时间序列的动态矩阵聚类方法。首先,根据候选集规模及k参量大小,提出基于质量指标与基于Diversifying Top-K查询的复合最优解筛选策略,实现RDS的高效查找;其次,构建RDS与数据集的动态化距离矩阵,实现聚类对象的转化;最后,提出基于K-means的矩阵聚类方法,对距离矩阵进行聚类,实现时间序列的类别划分。（3）在多个真实数据集上进行大量实验验证,并与目前几种主要的聚类算法进行对比。实验结果表明,本文所提方法在聚类准确率、聚类可靠性、聚类效率、去噪质量等方面具有明显优势,可有效地对时间序列数据进行高质量聚类。