时间序列相似性搜索是时间序列数据挖掘算法的核心子例程，时间序列相似性搜索的效率已经成为制约时间序列挖掘算法发展的瓶颈所在。时间序列表示和相似性度量是时间序列相似性搜索的研究基础，对实现时间序列的相似性搜索任务具有至关重要的作用。动态时间弯曲作为一种相似性度量方法可以有效处理时间序列沿时间轴上的变形等问题，具有良好的鲁棒性。然而时间序列数据通常是连续增长的不间断数据流，直接进行相似性搜索工作会造成相当大的存储空间消耗，且可能影响算法的准确性和可靠性。因此需要对时间序列进行预处理，以简洁和抽象的形式表达出原有时间序列的主要性质，在经过处理后的序列集上进行相似性搜索，从而提高序列相似搜索的效率。本课题在分析国内外时间序列数据挖掘最新研究的基础上，从时间序列相似性搜索出发，研究了时间序列的分段线性表示和动态时间弯曲等问题，主要完成了以下工作：(1)分析时间序列相似性搜索的现状及相似性搜索技术，并深入研究了时间序列分段线性表示方法和动态时间弯曲距离度量方法。(2)提出并定义了转折点和转折点优先队列，在此基础上提出了基于斜率提取转折点的分段线性表示方法。该方法选取转折点优先队列中的点作为序列候选点，能够在压缩原始序列的同时提取序列的主要性质。实验表明，该方法在多个领域的数据集上取得了良好的拟合效果，且具有良好的稳定性。(3)剖析以动态时间弯曲为相似性度量的搜索算法，提出了基于级联下界的动态时间弯曲算法。该方法通过将多种下界函数结合，并改进LB_Keogh下界函数的计算方法，实现了更早的提前终止效果。实验表明，该方法在一定程度上提高了动态时间弯曲的运算性能。(4)将“基于斜率提取转折点的分段线性表示方法”和“基于级联下界的动态时间弯曲算法”相结合，提出了基于动态时间弯曲的时间序列相似性搜索算法，当压缩率及约束窗口选择合适时，可以明显提高相似性搜索的效率。