当前互联网、人工智能等科学技术的发展空前活跃，每天产生的数据量呈指数级增长。复杂的海量数据也带来了一些新问题，即如何有效且高效地从这些数据中获取有价值的信息，这些需求催生了数据挖掘的诞生与发展。数据挖掘研究与应用领域范围宽广，其中就包括事件序列数据挖掘，事件序列在日常生活中广泛存在且规模增长迅速，传统数据挖掘技术不能直接用来处理该种数据类型的数据，因此，对事件序列数据进行挖掘与分析获得了广泛关注。事件序列相似性度量研究是事件序列数据挖掘领域中的重要方面，目前已有相当的研究成果，但由于事件序列具有多属性、事件类型范围广、来源领域不同等复杂的特点，许多典型的序列相似性度量算法难以发挥作用，因此针对不同应用领域的事件序列相似性度量进行研究具有重要的理论与实用价值。
　　本文以事件序列为研究对象，详细探讨了事件序列相似性在智能环境下用户的行为研究领域缺乏时空多粒度认知的不足，以及在旅游路线推荐领域少有考虑旅游序列中不同类型景点的游玩顺序和游玩时间等因素对用户偏好影响的不足，并分别提出了相应的改进方法。由此本文主要包括以下工作：
　　1）智能环境下，现有有关用户行为的相似性研究少有从不同时间粒度、空间粒度及活动类型粒度对行为事件进行相似性分析，缺乏对用户行为多粒度多角度的全方面认知，为此设计了多粒度时空序列比对算法MGSSA，通过粒度调控实现了从不同的粒度来对用户行为事件序列进行比较，最后实验验证了该算法的有效性及高效性。
　　2）在对基于用户偏好的旅游路线推荐问题进行建模求解时，现有的旅游路线推荐相关研究并未考虑用户访问景点的先后顺序、每个景点的类型和游玩时长。本文综合考虑了不同景点类型、游玩时间及访问景点的顺序对用户偏好的影响，设计了基于MGSSA算法思想的旅游路线推荐框架，最后实验评估了该方法的有效性和鲁棒性，并在此框架的基础上实现了个性化旅游路线推荐系统。