如今,我们生活在一个复杂多变的数据时代,这些数据正源源不断地产生于各个领域,并潜移默化的改变着我们的生活节奏和生活方式。在这些数据中,能够给人们的生活带来巨大影响的时间序列是一类重要的数据,所以对其的分析变得十分重要。但由于高维和杂乱等因素的影响使得对时间序列的研究变得十分困难,为了找出序列中隐含的重要信息,研究人员开始运用数据挖掘的手段对时间序列进行探索研究。在时间序列数据挖掘算法中,时间序列相似性搜索占有重要地位,吸引了大多数学者的深入研究。随着时间的推移,时间序列相似性搜索研究的方法和成果普遍应用于人们日常生活中的各个领域,譬如:证券的投资与决策、地震勘探与预测、医疗保险等。在时间序列相似性搜索中,形态特征反映时间序列的主要特性,既能客观的反映出序列的全部变化趋势,又可以体现出细节变化特点。同时,基于形态特征的距离度量算法能够很好地计算出序列间的形态差别,对时间序列相似性搜索技术的研究具有深远影响。经过阅读和专研大量海内外关于时间序列形态特征范畴内的相关文献,本文全面细致地概况了基于形态特征的时间序列相似性搜索算法的近况,并对其发展阶段中的各个经典算法进行了详细的描述和分析,指出所存在问题,在此基础上提出了相应的解决方法,本文主要研究工作包括:(1)将算术编码技术应用到时间序列相似性搜索中,此方法首先运用关键点分段技术提取时间序列的均值和斜率等序列的特征信息,采取数字符号化方法得到能充分体现序列均值和斜率信息的符号序列;然后通过编码技术将符号序列转化为编码序列,实现时间序列在概率区间上的模式表示;最后采用分层欧式距离算法进行相似性搜索,由粗到细进行筛选,从而达到序列整体趋势匹配以及细节拟合的目标。(2)提出基于符号聚合近似(Symbolic Aggregate approximation,SAX)和角点弯曲值的复合搜索算法。该方法将时间序列进行角点分段并提取序列的角点弯曲度值和均值信息,利用二者组成二元组的形式对时间序列进行复合表示;在此基础上,采用具有较高质量的复合距离算法在时间序列集中进行相似性搜索,得到的结果集可以达到数值和形态两方面都相似的目的。